高光谱图像在地质勘探、农业和军事应用等诸多民用和军事领域有着重要的应用。在高光谱成像技术中，每个光谱图像的获取对应于一个非常狭窄的光谱窗口，因此成像系统必须要使用较长的曝光时间收集足够的光子来获取具有良好信噪比的光谱图像，导致获取的高光谱图像严重缺乏空间分辨率，这极大的限制了高光谱图像的应用。最近，利用高分辨率的RGB图像和相同场景下低分辨率光谱图像联合求解来获取高分辨率的光谱图像方法得到了广泛的研究。比如经典的非负稀疏矩阵分解（SNNMF）算法，该算法仅仅考虑了光谱间的相关性，没有利用到高光谱图像丰富的空间相关性。本文的高光谱图像重建算法包含光谱字典学习和稀疏编码两个部分，首先从低分辨率的光谱图像中学习表示场景光谱反射率的光谱字典，然后从低分辨光谱图像和高分辨RGB图像中学习重建高光谱图像所需的稀疏系数，其主要的工作和创新点在于：　　1.高光谱图像的非负字典学习有具体的物理意义，即场景的光谱反射率具有非负性。传统的非负字典学习算法存在计算复杂度高、收敛速度慢的问题，本文提出了更加高效的非负光谱字典学习方法。该方法在每次迭代中只更新非负光谱字典中的一个基向量，同时利用块坐标下降算法来求得闭式解，以此来提高字典学习的效率和鲁棒性；　　2.由于高光谱图像具有光滑性的先验知识，同时为了改善重建结果的视觉效果，本文提出了联合全变差稀疏模型来刻画高光谱图像的光滑性先验，与传统方法对图像的梯度域利用全变差模型不同，本文对高光谱图像的非负稀疏系数进行全变差正则化约束。为了降低目标优化函数求解的计算复杂度，利用分段优化思想和ADMM方法来求解目标函数，通过实验证明，在稀疏域利用全变差正则模型能比其他算法具有更好的重建结果；　　3.针对高光谱图像中存在大量的非局部自相似结构，为了利用非局部自相似的先验知识，同时为了提高非负稀疏编码的准确性，本文首先采用非局部稀疏正则模型来刻画高光谱图像的非局部自相似先验，其次通过求解目标优化函数来重建高分辨光谱图像，最后对模拟和真实条件下的高光谱图像重建结果进行了大量的对比实验，实验结果表明本文所提出的算法无论是视觉上的效果还是客观的评价指标上都取得了更好的结果，说明非局部自相似的先验知识对于重建效果的提升具有非常重要的作用。