近些年来,高光谱技术得到了广泛研究。其中,高光谱图像凭借其同时具有物体的宏观信息和微观信息的优势,在科研领域得到了广泛应用。压缩感知是近些年提出的一个采样定律,它可以对符合特定条件的信号以远低于奈奎斯特所要求的频率进行采样;然后,利用数值最优化算法,可以从采样信号中精确地重构出原始信号。使用压缩感知对高光谱图像信号进行采样,通过最优化算法,从采样数据中计算出高光谱图像数据的过程就是本文研究的高光谱成像。由于高光谱成像计算过程中涉及到的矩阵维度非常大,所以在单机环境下,从采样信号中重构出原始信号过程中涉及的最优化算法执行速度非常缓慢。针对这个问题,本文开展了高光谱成像算法在Spark平台下的分布式并行计算研究,以显著提升高光谱成像的计算效率。本文首先研究了在单机上运行高光谱成像算法的性能瓶颈,然后针对这些瓶颈,提出了将高光谱成像算法迁移到Spark平台上的方法。该方法的创新性在于:用COO格式编码高光谱成像算法中的稀疏矩阵;发现了高光谱成像算法中的观测矩阵非零值的分布规律;设计了一种可以快速构造稀疏矩阵RDD的方法;设计了一种使用分布式计算压缩计算量的方法,避免了无效计算;根据稀疏矩阵非零值的分布规律,设计了负载均衡分区器,避免了数据倾斜和多余的shuffle;综合前面的方法将串行的高光谱成像算法迁移至Spark平台。最后,基于多组数据,对提出的算法进行了全面测试。测试结果表明,该算法重构出的原始信号与单机环境下的原始算法重构出的原始信号数值保持一致;此外,在本文的实验环境下,该算法的执行效率较之原始算法平均提升了近6倍,较之Matlab的并行实现执行效率提升程度随着数据规模的增长而增长。此外,基于提出的Spark平台下的高光谱成像算法,研究设计了一套高光谱图像管理系统。它为用户屏蔽了高光谱成像系统背后的复杂设计,呈现给用户简易的交互界面,使得用户可以方便的对高光谱数据进行管理。最后,对该系统进行了全面测试。