高光谱图像因含有十分丰富的光谱特征信息,在诸多领域都有着非常重要的应用。而由于传感器以及自然环境的原因,实际采集到的高光谱图像常含有非常复杂的混合噪声,比如高斯噪声、脉冲噪声以及死线噪声等其他类型的噪声,这不仅会影响高光谱图像的目视效果,更会直接影响到其后续应用。因此,高光谱图像的去噪是一项必不可少的过程。从高光谱图像光谱间的低秩性出发,可以很好地建立基于低秩、稀疏矩阵分解的去噪模型,但该模型把高光谱图像的光谱空间看成是一个单一的低秩子空间,事实上由真实的地物种类,其光谱向量可以分成不同的类别,即高光谱图像的光谱空间应看成是多个低秩子空间的联合。而探究数据潜在的联合低秩结构,子空间低秩表示模型是十分有效的,并且已经成功应用于高光谱图像的去噪领域。本文基于传统子空间低秩表示模型,针对高光谱图像的混合噪声去除问题,提出了以下三种新的去噪方法:(1)基于非局部相似联合的子空间低秩表示(NLSJ-SLRR)的高光谱图像去噪方法:传统的子空间低秩表示模型缺乏对图像中空间信息的有效利用,针对这一问题,该方法首先对高光谱图像进行分块处理,以加强图像中的局部相关性,然后通过聚类方式将相似的图像块联合以加强图像中非局部相似性的利用,最后利用子空间低秩表示模型对联合好的图像块进行去噪处理。同时,通过初步的去噪处理,该方法也提出了一种新的字典选取策略。(2)基于空间-光谱全变分的子空间低秩表示(SLRR-SSTV)的高光谱图像去噪方法:为进一步加强高光谱图像中空间光谱信息的利用,并使其能够在模型中有更直观的表达,在子空间低秩表示模型的基础上引入了空间-光谱全变分约束项,建立了一种新的混合去噪模型。该模型不仅能非常好地满足高光谱图像光谱空间上的低秩特性,又能有效地保留图像中的边缘特征,并且可以很好地加强高光谱图像在空间域以及光谱域的光滑性。(3)基于空间-光谱全变分的约束子空间低秩表示(CSLRR-SSTV)的高光谱图像去噪方法:死线噪声是高光谱图像中所特有的噪声类型,可看成是极端情况下的条带噪声。事实上,采用低秩约束建立的高光谱图像去噪模型容易将结构化的稀疏噪声,尤其是处在不同波段相同位置上的死线噪声,看成是潜在的低秩成分。针对此类噪声,在SLRR-SSTV的基础上,对该模型中的低秩成分进行强约束,以达到更好的稀疏噪声去除效果。文中对所提出的三种新去噪方法在模拟数据集及真实数据集上分别进行了实验,并与现阶段性能比较良好的去噪方法进行了对比分析。实验结果表明,无论是在目视的效果,还是在定量的指标上,本文所提的去噪方法均取得了十分优异的表现。