针对基于卷积自编码进行空-谱联合的高光谱解混方法中，过度引入像元光谱之间的空间相关性导致丰度过于平滑的现象，提出一种结合注意力机制的双流卷积自编码高光谱解混方法（DSCU-Net）。首先，利用双流卷积网络分别提取高光谱图像的空间特征和光谱特征；其次，为了确保空间特征和光谱特征之间的平衡性，引入通道注意力机制对提取到的空间特征进行重加权，并对光谱特征和重加权后的空间特征进行融合；最后，使用融合后的特征进行高光谱图像重构，并将重构结果送入解混网络的主干网络中进行光谱解混。通过最小化两次重构误差进行解混网络的训练。为了验证所提方法的性能，在两个真实数据集上进行实验，并对复杂场景下算法的性能表现进行分析。结果表明，DSCU-Net能够有效减少过度引入空间相关性造成丰度过于平滑的现象，具有更好的解混性能。

高光谱解混的目的在于提取图像中的端元特征和丰度特征。由于高光谱图像空间分辨率低而存在大量混合像元,因此如何从混合像元中提取光谱特征和空间分布信息是高光谱解混面临的难题。基于非负矩阵分解的高光谱解混是一个不适定拟合问题,而且在处理过程中将立方体数据转化为矩阵会导致三维结构信息的丢失。利用最小体积单纯形空间稀疏性,提出一种基于最小体积稀疏正则的高光谱解混方法,能够挖掘出图像中光谱特性和丰度特征的内在关系,减少结构信息的丢失。将凸几何中的最小体积约束与非负矩阵分解相结合,并采用近似交替优化与交替方向乘子法设计出高效的求解算法。最后分别采用合成数据和真实数据进行仿真实验,结果表明该种算法能够有效地提取出高光谱图像的端元特征和丰度特征。

在高阶非线性混合模型的基础上，提出一种多目标高光谱图像解混算法，解决传统方法受高光谱数据异常值影响而解混精度不高的问题。该算法以重构误差与光谱角分布为目标函数建立优化模型，并同时优化两目标函数以减少数据异常值对模型求解的影响，使解混结果在两个评价指标上得到提升; 最后采用差分搜索算法求解多目标优化模型，解决梯度类优化方法易陷入局部极值的问题，从而进一步提升解混精度。实验结果表明，文中算法与传统高光谱解混算法相比，具有更精确的端元丰度估计结果和更高的解混精度。

传统的高光谱混合像元分解方法仅考虑高光谱图像的几何特性或者丰度的稀疏性,而忽略高光谱数据的光谱空间特性。当原图像中不存在纯净像元时,分解精度将严重下降。为了解决这些问题,提出一种改进的空间信息约束非负矩阵分解的解混算法,该方法充分利用高光谱图像的空间信息和稀疏性,提高了传统非负矩阵分解算法的性能。合成的模拟图像和真实的高光谱图像实验表明,该方法克服了传统方法对噪声的敏感性及对纯像元的依赖性。

由于受到高光谱遥感图像传感器平台的限制, 图像的空间分辨率受到一定影响, 这导致高光谱遥感图像的像元通常是多种地物的混合, 也叫做混合像元。 混合像元的存在制约了高光谱遥感图像的准确分析和应用领域。 采用高光谱解混技术可将混合像元分解为纯净的物质光谱（Endmember, 端元）和每种物质光谱所对应的混合比例（Abundance, 丰度）, 为获取更多更精细的光谱提供了可能。 这对高精度的地物分类识别、 目标检测和定量遥感分析等研究领域具有重要的意义。 因此, 解混技术成为高光谱遥感图像领域的一个研究热点。 基于线性光谱混合模型(linear spectral mixing model, LMM), 提出了一种端元丰度联合稀疏约束的图正则化非负矩阵分解（endmember and abundance sparse constrained graph regularized nonnegative matrix factorization, EAGLNMF）算法。 该算法通过研究基于非负矩阵分解(nonnegative matrix factorization, NMF)的方法, 结合图正则化理论来考虑高光谱数据内部的几何结构, 将端元光谱稀疏约束和丰度稀疏约束应用于其中, 从而能够对高光谱数据的内部流形结构进行更为有效的表达。 首先, 构造了EAGLNMF算法的损失函数, 采用VCA-FCLS方法进行初始化, 然后, 设定相关参数, 包括图正则化权重矩阵参数、 端元光谱稀疏约束因子和丰度矩阵稀疏约束因子, 最后, 通过推导得到了端元矩阵与丰度矩阵的迭代公式, 并且设置了迭代停止条件。 该方法不受图像中是否有纯像元的限制。 实际上, 在现行高光谱遥感传感器平台情况下, 高光谱遥感图像中几乎不存在纯像元, 因此, EAGLNMF方法为高光谱遥感图像的实际应用提供了一种思路。 采用合成的高光谱数据, 构造了4个实验来分析该方法的可行性和有效性, 实验将该算法与VCA-FCLS, 标准NMF及GLNMF等经典的解混算法进行比较, 通过光谱角距离(spectral angle distance, SAD)和丰度角距离(abundance angle distance, AAD)这两个度量标准来进行比较。 实验1是总体分析实验。 在固定的信噪比和固定端元数目的情况下, 用以上三种经典方法与EAGLNMF同时进行解混。 实验2是SNR影响分析实验。 在固定端元数目和不同信噪比的情况下, 用这四种方法进行解混。 实验3端元数目分析实验。 在固定信噪比和不同端元数目的情况下, 用四种方法进行解混, 并且将结果进行对比。 实验结果发现提出的EAGLNMF方法在提取端元精度和估计丰度精度上都更为准确。 同时, 实验4是稀疏因子分析实验。 对端元稀疏约束和丰度稀疏约束之间的影响因子进行分析, 实验结果表明引入的端元稀疏约束对于解混结果也具有较好的影响, 并且端元稀疏约束和丰度稀疏约束之间的影响因子也对解混结果具有一定影响。 最后, 将该算法应用于AVIRIS所采集的真实高光谱图像数据, 将其解混结果与美国地质勘探局光谱库中光谱进行匹配对比, 其提取的平均端元精度相比于其他三种方法要稍好。

提出一种利用图像的空间结构信息在特征空间中设计大小适宜的超球, 将单形体的顶点分隔在超球外部, 剔除超球内部的数据, 只保留超球外部的少量数据参与端元提取算法。经过分析, 该方法可以大大减少端元提取算法的运算量。通过实验对比, 用相关端元提取算法对简化后的数据进行端元提取的结果精度很高, 与简化前数据的端元提取结果吻合。

为解决盲源分离技术难以直接用于高光谱图像解混这一问题, 将丰度非负及和为1约束作为盲源分离的目标函数, 改变传统的独立性假设；同时, 针对目标函数中具有大量的局部极小, 引入蝙蝠优化算法, 解决传统梯度类优化算法易陷入局部极值的问题.在降维过程中, 提出一种基于奇异值分解去噪的正交子空间投影的降维方法.仿真数据和真实遥感数据实验表明, 所提出算法收敛速度和解混准确度高, 具有较强的抗噪声干扰能力, 适用于像元纯度很低的高光谱图像解混.

非负矩阵分解通过将一个非负矩阵分解为两个正矩阵的乘积，已经广泛的应用于高光谱图像解混。但是非负矩阵分解直接应用于高光谱图像混合像元分解时收敛速度比较慢，容易陷入局部最优解。本文首先介绍了非负矩阵分解的基本原理，然后利用自动形态学端元提取方法获取端元光谱对非负矩阵分解中端元矩阵进行初始化。在保证非负矩阵分解中非负性和分解精度基础上，利用高光谱图像中端元光谱的非负性及其空间分布的连续性、稀疏性来对非负矩阵分解进行约束限制，其中稀疏性度量是通过非平滑的 NMF算法和稀疏约束的 NMF算法来实现的。最后采用多步内循环迭代的方法更新端元矩阵和丰度矩阵完成高光谱图像解混，对实际的高光谱图像进行解混取得了较好分类效果。