高光谱遥感技术能同时得到成像区域内地物的空间和光谱信息,已被应用在环境监测,自然灾害监测等领域。由于传感器空间分辨率偏低和地物多样性的影响,获取的图像中有大量混合像元存在,混合像元的存在阻碍了遥感技术向着定量化发展,已经成为高光谱遥感领域的难题之一。处理混合像元最有效的方法就是对混合像元分解(解混)。分解的目的是得到“纯净”光谱(端元)及其比例(丰度)。基于非负矩阵分解(NMF)技术的解混模型是近几年的研究热点,但仍存在一些问题。基于此,本文提出三种新的解混模型。主要的研究工作如下:(1)提出光谱加权稀疏非负矩阵分解的盲解混算法。NMF模型目标函数的非凸性导致其容易陷入局部最优,解决的方法是根据实际情况加入一些约束条件,其中,稀疏约束是最常用的一种方法。然而多数稀疏约束的解混方法存在对丰度系数稀疏性先验表征不充分问题,使得算法稳定性比较差。本文提出一种基于光谱加权稀疏非负矩阵分解解混模型,该方法在NMF模型的基础上增加一个光谱权重因子作用在丰度矩阵上,旨在促进其稀疏性。实验证明,光谱权重的引入提高了模型的解混能力,在解混领域具有先进性。(2)提出空谱加权稀疏非负矩阵分解的盲解混算法。目前多数基于NMF技术的解混算法仅从高光谱数据的光谱信息出发,处理数据时将像元视为独立分布。事实上,高光谱数据中各像元在空间结构上也存在相关性,即在空间维也蕴含丰富的地物信息。受地理学第一定律的启发,将空间信息纳入光谱解混模型以提高解的稳定性是一种发展趋势,提出空谱加权稀疏非负矩阵分解的盲解混算法。该方法在上一章所提光谱权重的基础上,引入空间权重同时作用在丰度矩阵上,空间权重的存在使得空间信息被纳入解混模型。实验证明,由于解混模型考虑了空间信息,所得丰度图更平滑,保留了更多细节信息。(3)提出深度网络稀疏非负矩阵分解的盲解混算法。传统的NMF解混模型都是对数据进行单层分解,不能获取隐藏层的信息,无法实现对数据多角度的特征表达,解混效果受到制约。结合深度学习思想,提出深度网络稀疏非负矩阵分解的盲解混算法。所提算法将单层的NMF框架扩展至深层,利用深度网络层学习到分层特征,以利用隐藏层的信息。利用高光谱数据丰富的空间,光谱信息及稀疏性,在深度网络中引入空间权重和光谱权重因子,增强解的稀疏性。整个模型包括预训练过程和负反馈调节过程,预训练对高光谱数据进行逐层分解并训练,其分解误差通过微调过程进行优化调整。最后,通过实验证明了所提出方法比其它先进方法的结果更准确,鲁棒性更强。本文提出的三种高光谱混合像元分解算法,实现了混合像元的有效分解,能够提升高光谱遥感图像的应用潜力,具有重要的理论与应用意义。