进入21世纪后,高光谱遥感技术在农业、环境、医疗、生物等各个领域得到了广泛的应用,特别是在农作物监测和资源环境监测方面,利用高光谱丰富的空间信息和光谱信息可以准确得到作物生长情况以及环境污染情况。然而,外界环境的影响和仪器自身设备的限制,获得高质量的高光谱图像并不是那么简单。其一,在高光谱图像采集过程中,噪声的存在阻碍了高光谱数据的后续应用,例如分类、解混、反演等。因此高光谱的去噪是不可缺少的一步。其二,由于高光谱采集需要苛刻的天气条件和昂贵的仪器,使得高光谱图像获取的时间长、成本贵,因此研究从简单的自然图像中恢复高光谱信息显得极其有必要和有意义。本论文基于以上两点,主要贡献有以下三点:1、结合高光谱图像高空间相关性和光谱相关性的性质,利用马氏距离建立了非局部空间域光谱的相似性权值,用来表示高光谱图像内非局部范围内的像素统计分布,将这种分布融合进PCA算法中,通过主成分的选择起到去噪的目的。2、为了适应当前高光谱图像数据量大,更新周期快等特点,利用生成对抗网络(GAN)对高光谱数据进行批量快速去噪,依靠生成器和判别器的对抗学习,不仅能够有效地抑制高光谱图像中的噪声,而且可以很好地保留图像的细节纹理信息。3、利用当前GAN强大的图像生成能力,利用频谱归一化生成对抗网络(SN-GAN)从RGB自然图像中恢复高光谱图像波谱信息,一定程度上解决了GAN网络的判别器不易收敛的问题。不仅可以快速方便得到高光谱数据,而且可以快速得到与RGB影像具有相同空间分辨力的高质量无噪声的高光谱图像,大大地提高了高光谱图像的应用范围。通过实验证明,非局部的空间域光谱域PCA算法不仅很好地抑制了大量噪声,而且很好地保留了图片中边界信息。同时发现,将当前深度学习算法应用到遥感领域特别是高光谱图像恢复上,不仅能够在节省人力物力的同时获得高质量的高光谱数据,而且能够使高光谱图像适用当前大数据时代的背景,真正让高光谱图像走向商用的道路。