高光谱图像解混是高光谱遥感图像处理应用中的一项重要研究工作。由于遥感成像仪空间分辨率的限制和自然界地物的复杂多样性,使得实际获取的高光谱图像中含有大量的混合像元,如何从这些混合像元中提取有效的端元光谱信息和丰度信息,是高光谱解混研究工作的重点。本论文从典型的高光谱图像解混模型出发,基于人工神经网络(Artificial Neural Network,ANN)和群智能优化算法,提出了一种基于ANN端元估计和BSDSA的高光谱图像解混算法。本文的主要研究工作如下:(1)基于ANN提出了一种通用的高光谱图像解混框架。为了解决传统的高光谱图像解混算法在保持端元数目不变的情况下得到解混精确度低的问题,本文利用ANN对每个混合像元参与解混的端元数目和类别进行估计,并根据估计结果基于不同的混合模型选择相关的端元进行解混。最后,分别采用仿真实验和真实的高光谱遥感数据实验对所提解混框架的有效性和准确性进行验证,结果证明该高光谱解混框架有效地改善了解混效果,表现出更佳的解混性能。(2)对差分搜索算法进行改进,提出了基于自适应平衡矩阵和概率选择策略的差分搜索算法。针对差分搜索算法具有后期收敛速度慢、收敛精度低以及局部收敛能力不佳的缺点,一方面本文对种群的搜索方程进行改进,引入自适应平衡矩阵,使得构建的人工生物种群可以根据迭代次数的改变做相应的调整,平衡算法在进化过程中的全局搜索能力和局部搜索能力;另一方面,本文在单一的选择机制基础上,添加了概率选择策略,使得种群在最优个体的引导下,极大限度地向全局最优值靠近。最后利用经典的测试函数以及与其他群智能算法的比较实验来验证改进的算法,结果表明改进的算法具有更好的优化性能。(3)基于ANN端元估计和BSDSA提出了一种高光谱图像解混算法。为进一步优化验证所展示的解混框架,本文提出了一种新的解混算法,将ANN强大的非线性估计能力和BSDSA优异的求解性能结合起来,用于实现对高光谱遥感图像的解混,最后通过仿真实验和真实的高光谱遥感数据实验对算法进行验证,结果表明提出的解混算法ANN-BSDSA可以有效的提高解混精度,具有较强的实用性。