在发酵过程的近红外在线检测中，由于发酵液中需要持续通入氧气来促进微生物的生长和代谢活动，常会在发酵液中产生气泡。发酵液中的气泡经过探头前方时，会对近红外光谱的强度产生较大干扰。为了剔除发酵液近红外在线检测过程中采集到的气泡引起的异常光谱，减少光谱波动，提出了一种正态分布筛选方法。制备了600 g质量分数为10%的葡萄糖溶液，每隔30 s加2 g葡萄糖溶液至盛有600 mL蒸馏水的反应釜中，搅拌均匀，然后计算和记录反应釜内葡萄糖溶液的质量分数，并在反应釜底部通入氧气产生气泡，利用近红外光谱仪采集反应釜内葡萄糖溶液的近红外光谱。分别采用主成分分析（principal component analysis, PCA）结合马氏距离法，欧氏距离法，孤立森林，正态分布筛选法对受到气泡影响的异常光谱剔除后，将光谱样本集按照4∶1的比例随机划分为校正集和预测集，随后经过光谱预处理，利用偏最小二乘法（partial least squares, PLS）对校正集建立葡萄糖溶液浓度预测模型，并用建立的PLS模型对预测集进行预测。通过校正集相关系数，校正集均方根误差，以及预测集的相关系数和均方根误差进行对比分析。采用四种方法剔除受到气泡影响的异常光谱后，所建模型结果如下，PCA结合马氏距离法剔除异常光谱后得到的校正集相关系数$R_{\text{c}}^2$为0.998 208，均方根误差RMSECV为0.000 764，预测集相关系数$R_{\text{p}}^2$为0.997 994，均方根误差RMSEP为0.000 764；欧式距离法剔除异常光谱后得到的校正集$R_{\text{c}}^2$为0.998 628，均方根误差RMSECV为0.000 652，预测集相关系数$R_{\text{p}}^2$为0.998 628，均方根误差RMSEP为0.000 655；孤立森林剔除异常光谱后得到的校正集$R_{\text{c}}^2$为0.998 255，RMSECV为0.000 739，预测集$R_{\text{p}}^2$为0.998 132，RMSEP为0.000 740；正态分布筛选方法剔除异常光谱后得到的校正集$R_{\text{c}}^2$为0.998 641，均方根误差RMSECV为0.000 645，预测集$R_{\text{p}}^2$为0.998 628，RMSEP为0.000 636。结果表明：对比四种方法，采用正态分布筛选方法能有效减少光谱强度的波动，剔除异常光谱较其他方法效果更佳。

高光谱解混旨在从盲源分离场景中识别出物质（端元）光谱特征和空间分布（丰度）特征。针对高光谱图像中存在大量混合像元降低解混的精度，以及当高光谱数据受到噪声污染时难以估计端元的准确数目等问题，本文提出一种将低秩松弛和可分离总变分先验信息相结合的线性混合模型。该方法首先利用对数函数的局部相似性对基于核范数的低秩表达式进行松弛，抑制次要分量；然后将各向异性总变分重新定义为可分离表达式，以平滑光谱特征和空间丰度特征；最后设计一组高效的求解器得到闭式解。实验结果表明，所提出的解混模型能有效地提升解混精度的同时也能抑制噪声，验证了该模型的有效性。

高光谱图像具有丰富的光谱信息，多光谱图像具有精妙的几何特征，融合高分辨率的多光谱图像和低分辨率的高光谱图像可以获取更为全面的遥感数据图像。然而现有的融合网络大多数基于卷积神经网络所设计，对于结构复杂的遥感类图像而言，依赖于核大小的卷积运算，容易导致特征融合阶段缺乏一些全局上下文信息。为保证图像融合的质量，本文提出了一种CNN（Convolutional Neural Network，CNN）联合多尺度transformer网络来实现多光谱和高光谱图像融合，结合了CNN的特征提取能力与transformer的全局建模优势。网络将融合任务分为了两个阶段，特征提取阶段和融合阶段。特征提取阶段，针对图像特性，基于卷积神经网络分别设计了不同模块用于特征提取。融合阶段，通过多尺度transformer模块从局部到全局建立信息间长距离关联，最后通过多层卷积层将特征映射为高分辨率的高光谱图像。经过在CAVE和Harvard数据集的实验结果表明，本文所提算法与其他经典算法相比，能更好地提升融合图像的质量。

高光谱解混是通过图像分解提取端元及丰度特征的过程，然而由光照、大气等因素引起的光谱类内易变性，或者由环境变化、设备等非线性因素导致的谱间易变性，会导致特征提取精度下降。为了全面考虑解混过程中光谱变化的问题，本文引入光谱易变性的低秩正交先验提出了一种增强型的光谱解混优化模型。首先，在线性解混模型基础上引入易变性数据拟合项来同时考虑光谱类内和类间变化，利用缩放因子来解决光谱类内易变性，同时增加光谱易变性扰动矩阵来解决谱间易变性。其次，该模型利用正交先验约束来实现原光谱字典与易变性项的空间低相干性，通过采用核范数对数松弛来强化丰度矩阵的低秩特性，抑制微小分量及噪声。最后，采用交替优化法及向量-矩阵算子降低求解算法复杂度。通过模拟数据集和真实数据集仿真测试结果表明，本文所提算法取得了优于对比算法的良好性能，验证了该优化模型的有效性。

高光谱图像（Hyperspectral Image，HSI）在采集的过程中会被大量混合噪声污染，会影响遥感图像后续应用的性能，因此从混合噪声中恢复干净的HSI成为了重要的预处理过程。在本文中，提出了一种基于非凸低秩张量分解和群稀疏总变分正则化的高光谱混合噪声图像恢复模型；一方面，采用对数张量核范数来逼近HSI的低秩特性，可以利用高光谱数据固有的张量结构，同时减少对较大奇异值的收缩以保留图像更多细节特征；另一方面，采用群稀疏总变分正则化来增强HSI的空间稀疏性和相邻光谱间的相关性。并采用ADMM（Alternating Direction Multiplier Method）算法求解，实验证明该算法易于收敛。在模拟和真实的高光谱图像实验中，与其他方法相比，该方法在去除HSI混合噪声方面具有更好的性能。

为了解决现有的高光谱超分辨率方法依赖于手工先验和数据驱动先验会导致参数选择困难或可解释性差的问题，采用一种基于自适应深度先验正则的高光谱图像超分辨率方法，进行了理论分析和实验验证。首先设计基于卷积神经网络的多阶段特征提取网络，提取退化图像的空间和光谱信息；其次将提取到的空-谱先验输入基于transformer模型的特征融合模块；然后自适应交互空域和谱域的互补信息，以捕获图像的全局先验特征；最后在退化模型中插入深度先验正则项，将超分辨率问题表述为一个优化问题，其解可以通过交替方向乘子法获得并降低求解复杂度。结果表明，所提出算法在信噪比均为35 dB时，重建信噪比分别达到了34.16 dB和29.35 dB，比次优算法高出2.78 dB和2.17 dB，重建的高分辨率高光谱图像与其固有结构具有较高的一致性。该研究为综合利用手工先验和数据驱动先验增强高光谱图像空间分辨率提供了参考。

针对现有的彩色图像去模糊过程中存在色彩失衡、阶梯效应和伪影等现象，提出了一种基于分数阶全变分和低秩正则的图像去模糊优化方法。首先，将传统的RGB彩色图像转换到YCbCr颜色空间，利用其亮度通道特征解决色彩失衡问题；其次，利用分数阶全变分的特征消除图像恢复任务中出现的阶梯效应，并且引入加权核范数低秩正则进一步抑制伪影及噪声；最后，利用交替方向乘子法设计出高效的求解方法，通过迭代优化得到纯净图像的最优估计。对彩色图像测试的实验结果表明，所提出的方法对图像去模糊任务取得较好的视觉恢复效果，客观评价指标良好。

为了避免现有的高光谱图像去噪优化模型仅考虑有限的高光谱内在结构特点、并未实现图像特征的精确表征的问题,采用了一种基于空谱深度图像先验与平滑的高光谱图像去噪方法,将紧框架变换与具有高表达与强学习能力的深度学习模型进行结合,构建基于深度学习的噪声去除模型。首先在低秩矩阵分解的基础上,利用特定的深度图像先验学习潜在的空谱特征;然后分别构建端元与丰度矩阵的紧框架稀疏正则探究空谱局部平滑,并解决深度图像先验的半 拟合问题;最后设计高效迭代算法实现模型求解。结果表明,基于空谱深度图像先验的方法在各种复杂的噪声干扰下均表现出较好的视觉恢复性能,峰值信噪比至少有1dB以上的提升,得到了高质量的恢复图像。该方法为高光谱图像去噪提供了参考。