地物的复杂性和遥感技术的局限性,使得遥感影像每个像元都是由多个地物(端元)的光谱组合而成的。在实际应用中,为了反演地物的组成,进行混合像元分解显得尤其必要了。混合像元分解的研究,在解决遥感影像判读精度、提高遥感对人们生产和生活的贡献等方面,具有重要的作用。传统的混合像元分解模型,分为统计模型和几何光学模型,统计模型又分为线性和非线性模型。这些模型是在考虑地物特征和波谱特征的基础上,运用数学、物理知识建立起来的。然而,这些模型都是基于一个时间点的数据进行建模的,并且存在一定的假设和适用条件,模型的精确性有待改进。在对基于时间序列的遥感影像做分类研究的过程中,发现传统的混合像元分解方法并不适用。本文是在总结上述模型的数学物理方法的基础上,结合地物的时序性和遥感影像的特征,利用高斯分布、贝叶斯原理、马尔科夫链等数学知识建立起的基于时间序列的混合像元分解的理论模型。传统的GMM模型认为组分在每个波段上光谱值的分布符合高斯密度函数。本文在GMM模型的基础上,基于地物的时间连续性,改进参数的估计方法,进一步提高了参数的精度,从而减少了模型的误差。在进行参数估计时,利用马尔科夫链模型的特点,结合MCMC算法的原理,估计出每个时刻参数的值。在GMM模型中,每种地物又分为几个子类,根据贝叶斯原理推导出的地物的混合系数的后验概率,由每种地物的光谱值的均值、子类的混合概率以及每种地物的混合系数的先验概率这三个参数决定,这三个参数是相互制约的。本文采用较为简单的方式进行参数估计,用上一时刻参数的后验值作为下一时刻参数的先验值,降低了参数估计的复杂度。并且在同一时刻进行了参数的迭代校正,一定程度上提高了参数估计的精度。混合像元分解的精度直接影响了遥感影像分类的精度,本文提出的基于高斯分布的联合贝叶斯混合像元分解模型精度高、复杂度低,具有一定的实践指导意义,能够为科研和实际应用提供一定的理论支撑。