随着成像光谱仪分辨率的不断提升,高光谱遥感影像数据在各个领域的应用越来越广泛。但是,由于高光谱数据内混合像元的存在,使其在各个领域的应用受到非常大的限制,严重的阻碍了高光谱影像数据趋于定量化的发展。因此,各地的研究学者提出了各种解混模型,对高光谱数据进行研究。本篇论文在以往作者们发表成果的基础之上,提出了基于以深度学习为框架的网络模型对高光谱数据进行解混处理。同时,贴合高光谱数据的特点,添加严格的地物约束,旨在获取更高精度的解混结果。本文主要的研究内容如下:(1)本文提出将生成对抗网络与3D卷积神经网络进行集成的高光谱降噪网络模型。通过提取高光谱深层次网络结构特征,在特征学习的过程中去除噪声的干扰。本章降噪的重点在于利用了生成网络与判别网络互相博弈的特点,将生成器设计为主体的降噪网络,判别网络对数据进行特征域上的判别。当网络达到纳什平衡之后,生成器会产生足以欺骗判别器的降噪结果,从而实现一个无监督的降噪过程。(2)本文构建了一种基于堆栈非负稀疏变分自动编码器网络(SNN-SVAE)对地物混合严重的高光谱数据进行解混。SNN-SVAE模型由两部分组成。网络的第一部分采用堆叠式自动编码器(SAEs)来生成端元值的初始值,从而为解混过程生成一个良好的初始化,并且自动检测了原始数据中的异常值。在网络的第二部分,采用非负稀疏变分自动编码器(NN-SVAE)对高光谱数据进行非负矩阵分解。隐藏层的节点为丰度估计值,对应与之相连的权重值则是端元值,同时获取到端元特征和丰度信息,实现了无监督解混。(3)本文提出了利用光谱解混模型来实现高光谱数据的空间分辨率提升。主要内容是利用联合非负矩阵分解以及本文提出的降噪-解混级联网络模型,实现对高光谱数据以及多光谱数据的图像融合,最终利用乘性迭代的更新算法实现二者之间的丰度匹配,获得具有高空间分辨率的重构图像。