近十年以來，深度學習的快速發展對解決各類圖像問題提供了一種新的思路。對於普通的自然圖像而言，基於深度學習的方法在降噪方面的效果要比基於數學模型的去噪方法更好，同時也爲高光譜遙感影像的去噪問題帶來了啓發。相比於傳統的人工神經網絡（Artificial Neural Network，ANN），深度神經網絡（Deep Neural Networks，DNN）隱藏層至少在2層以上，使其有了更強的抽象特徵提取能力。依據神經元的不同特點，可以把DNN分爲多種不同的網絡，其中卷積神經網絡（Convolutional Neural Network，CNN）具有較強的圖像重建和圖像恢復能力。

用CNN對自然圖像進行去噪的方法，得到了與常規方法相差較小甚至更好的結果。利用DNN對圖像去噪將多層感知機（Multi Layer Perceptron，MLP）應用到圖像塊中。有人發展了一種對稱式解碼-編碼（encoding-decoding）全卷積殘差神經網絡模型，可針對圖像去噪與壓縮僞痕去除等多種低層視覺任務進行信息復原。可以引入殘差學習與批量歸一化優化處理，發展前饋降噪卷積神經網絡模型（DnCNN）重建殘差噪聲，進而去除圖像噪聲，得到了良好的結果。

隨着將深度學習方法引入到圖像去噪的研究不斷地發展，有學者開始提出應用於高光譜影像去噪的深度學習方法。如空間光譜深度卷積神經網絡（HSID-CNN），較早地使用了深度學習方法去除高光譜圖像的高斯噪聲。該方法通過HSID-CNN的不同網絡層，有效提取了高光譜影像中的各類特徵，對於去除不同水平的高斯噪聲都取得了當時最好的效果。之後，深高光譜先驗卷積神經網絡（Deep-HS-Prior），高光譜單模型去噪卷積神經網絡（HSI-SDeCNN），高光譜圖像恢復網絡（HSI-DeNet），這幾種方法效果不一，各有優缺點，但普遍對去除混合噪聲的能力欠佳。

爲了去除混合噪聲，空間光譜梯度網絡（Spatial-Spectral Gradient Network，SSGN），該方法採用了空間光譜梯度學習策略，並且基於完全級聯的多尺度卷積網絡，SSGN可以使用同一模型同時處理不同的高光譜影像或光譜波段中不同類型的噪聲。

由於大多數方法是針對模擬數據進行學習處理，在真實情況的噪聲去除效果方面說服力不強因而有人提出了深空譜貝葉斯後驗方法（Deep Spatio-Spectral Bayesian Posterior，DSSBP）。這項工作與多數現有的高光譜影像去噪方法不同，以往的方法理想地假設不同波段中的噪聲表示是獨立同分布（independent & identically distributed，i.i.d.）的，而該文提出了一種針對非獨立同分布的新穎去噪方法。該文提出的框架共同爲非獨立同分布噪聲嵌入到高光譜影像中，並在深時空光譜貝葉斯後驗（DSSBP）結構下將其去除。具體來說，對非獨立同分布噪聲採用模型驅動策略和數據驅動策略對噪聲進行估計、分配和去除。該方法混合了貝葉斯變分後驗和深度卷積神經網絡（Deep Convolutional Neural Network，DCNN），既繼承了傳統基於模型驅動的噪聲建模方法的可靠性，又繼承了基於數據驅動的參數學習方法的高效率，在真實噪聲的去除上證明了該工作的效果和可靠性。

總而言之，從組合空間光譜約束的角度來看，當前許多學者聯合利用空間和光譜信息來降低高光譜影像噪聲。加之混合噪聲也需要考慮在內進行去除，因而，目前採用深度學習模型的去噪研究還比較少。

對於模型方法的研究已經有較長的時間，從反問題視角出發，通過數學模型方法發展出了全變分、稀疏表示、低秩表達等正則化先驗方法及其結合方法。此外，將基於低秩和全變分理論進行結合，提出的一些高光譜遙感影像混合噪聲去除的方法，也取得了一定的成效。如全變分對於圖像邊緣提取有較好的效果，能較好地保持空間細節；低秩模型擅長處理高斯噪聲。但是，目前的方法仍有一定的問題，尤其是對影像中混合噪聲的去除能力有限，因而未來可以通過低秩和變分的結合來探求對混合噪聲的去除，實現更優的效果。

之後，隨着深度學習的崛起，許多較難的數學問題逐漸可以用深度學習方法解決，許多模型方法開始被深度學習方法超越甚至是替代，尤其是在圖像去噪方面。深度學習在圖像去噪上取得的成就也爲高光譜遙感圖像的去噪帶來了啓發，針對高光譜遙感影像混合噪聲的去除問題，近年來研究者提出了數種深度學習方法，逐步提高了針對混合噪聲的去除效果。可以看出，雖然將深度學習方法應用在高光譜圖像去噪上並沒有幾年的歷史，但現有方法已有超越模型方法的發展勢頭。未來，對於解決混合噪聲的問題，模型驅動與數據驅動方法的結合將會是一個發展方向。