遥感高光谱图像因其丰富的光谱信息而被广泛用于精准农业、军事目标识别、地物勘测等领域,然而由于成像传感器物理条件的限制,遥感高光谱图像的空间分辨率较低,制约了高光谱图像的应用。通过融合相同场景的高分辨率多光谱图像称为解决这一问题的主要途径。高空间分辨率到低空间分辨率退化可以看作是像元混合的过程,而图像融合是其逆过程,可以看作是解混的过程。因此本文提出了基于分解的高光谱图像融合算法。本文分别采用矩阵分解和张量分解两种模式实现高光谱图像超分辨,主要工作有以下三个方面:第一,针对高光谱图像空间降质过程造成光谱失真问题,采用广义回归神经网络模型,学习高低空间分辨率高光谱图像在光谱域的非线性映射关系,利用学到的映射模型,将低分辨率高光谱图像的光谱特征映射到高分辨率空间,为融合提供更加精确的光谱特征。第二,针对基于解混的算法中对于矩阵分解的依赖,以及目标函数的非凸性造成的不稳定性和对初始值敏感的问题,采用聚类的方式提取图像的光谱特征,代替解混合的端元,提高问题求解的稳定性,同时有效提高了特征提取的效率,降低了复杂度。第三,针对矩阵分解关注光谱特性而忽略了空间关系的问题,采取基于张量分解的融合算法,利用核心张量充分表达光谱特性和空间特征之间的相关性。并特别针对边缘区域由于邻近效应而导致的光谱特性多样性和复杂性现象,提升了图像边缘处像素的重建质量。最后,在Salinas数据集、Cuprite数据集、Indian Pines数据集和Pavia Center数据集上进行试验,通过和大量算法进行比较证明了本文算法的有效性