人们获取高光谱图像的根本目的是实现对地表信息的解译。从根本上说,这是一种间接获取信息的手段,因为我们想要得到的有关地表的情报,在被人们分析前,首先被高光谱图像的成像设备转换成了数字图像。显然,这种信息转化过程的保真性,即转换后的数字图像在多大程度上保持了原始地表信息,对遥感解译的准确性和精度起着至关重要的作用。然而,高光谱成像链路中存在诸多不可避免的负面因素,如大气对某些波段电磁波的吸收作用,传感器分光组件给光谱信息引入的混叠等,它们都会给输入的原始地表信息引入偏差,并最终体现在高光谱图像质量的降低和信息的退化上。如何从退化的高光谱图像中恢复出原始地表信息,并提升高光谱图像可解译性是遥感图像解译领域面临的一个关键科学问题。在整个高光谱成像链路中,由于传感器光学器件和电子元件的物理限制造成的输入场景的信息损失,是高光谱图像质量降低主要因素之一。为了改善高光谱图像的质量,并恢复在成像过程中的信息损失,人们提出了大量的高光谱图像信息恢复算法,但这些方法大多对成像模型进行了某种数学上的近似或假设,而忽略了高光谱图像退化现象背后所蕴含的物理本质。然而,高光谱图像任何一种退化现象,都是由成像链路中某些机制造成的,将这种机制与相应的信息恢复算法相结合,有助于实现高光谱图像信息恢复算法理念上的创新和理论上的突破,对高光谱图像质量提升以及解译度提高也具备重要的指导意义。本文将围绕成像链路中传感器退化模型及信息恢复问题这两个中心展开讨论:首次,目前的高光谱图像去模糊算法主要基于造成模糊的退化核为高斯函数这一假设,而实际造成图像模糊的主要原因之一是传感器中典型光学器件(如透镜)对输入图像的卷积作用。本文针对这一问题展开了研究。首先,我们通过理论分析和实验仿真,证实透镜在截断高光谱图像高频信息时,存在“硬切频”的现象,这种切频方式会给图像的边界区域引入振铃失真,目前多数去模糊算法对此无能为力。为了解决该问题,本文提出一种基于Hessian-Schatten正则化的解卷积算法,它将图像的二阶梯度信息表达在Hessian矩阵中,然后提取其特征值和特征向量,并通过Schatten范数约束其总能量,使得该正则项具备了保持图像高阶结构信息的能力,因此在去除图像模糊的同时消除振铃失真。其次,传统超分辨算法多数按照波段顺序恢复高光谱图像,这种方式暗含假设了高光谱图像是由面扫型光谱仪得到。而在实际中高光谱图像的成像载荷平台往往相对于地面目标存在着运动,且多数成像光谱仪采用线扫方式成像,因此这种假设并不合理。本文针对这一问题展开了研究。首先,我们通过对比这两种光谱仪的成像过程,分析了它们背后的物理机制,阐述了成像方式上的差异性;接下来,我们通过研究线扫型光谱仪所成的狭缝图像的物理意义,得出了狭缝图像具备各向异性特点;最后针对线扫型成像方式和狭缝图像的各向异性特性,提出了一种以狭缝顺序进行高光谱图像超分辨重建的框架,并在该框架下,利用狭缝图像的全局和局部的特征,提出一种各向异性正则项,降低了在该框架模型下求解过程的不适定问题,进一步提升了超分辨算法的性能。最后,针对成像传感器中电子器件下采样过程给图像空间信息造成的折线失真、锯齿效应等负面效应的恢复问题展开了研究。目前的算法多数都从空间域角度消除这种失真,它们都没能抓住产生这种现象的本质。为了解决这种局限性,本文首先从频域角度分析传感器电子器件下采样过程,然后将这种现象的本质通过频域的方式进行解释。为了除它们给空间信息带来的负面影响,本文将恢复该信息的过程表达为一个频域空间上的超分辨问题,并提出一种基于分形变换的抗混叠超分辨算法。该算法主要利用的是分形变换与初始图像分辨率无关,且在图像具有较高自相似性情况下效果更好的特点,同时由于抓住了信息退化的根源,本方法相对于空间的抗混叠超分辨算法,具有更好的频域恢复性能。