随着遥感技术的发展与光谱成像技术水平的提高,高光谱成像技术作为新式对地观测手段,得到了越来越多的关注。高光谱影像能够在较广的光谱域范围内以极高的光谱分辨率记录地物光谱辐射信息,为地物类别分辨提供了数据支持。然而由于现阶段成像设备存在空间分辨率与光谱分辨率无法兼顾的限制及成像场景的复杂性,图像空间分辨率的不足导致单一像元的光谱是不同物质光谱的混合,为图像的精细分类、统计分析与微弱目标检测等带来了困难。高光谱解混通过分析遥感成像的光学机理并建立光谱混合模型,能够将混合像元光谱分解为端元与丰度信息,从而在空间分辨率不足的场合下实现不同物质光谱特征的识别与对应地物空间分布的反演求解。因此,光谱解混技术作为一项先进的高光谱处理技术与手段,是实现遥感定量分析与应用的重要基础之一。论文以高光谱影像处理为核心,以影像半监督与无监督光谱特征成分提取与丰度反演计算为主旨,重点分析高光谱影像线性分解与数据重构过程中面临的主要问题,探讨在不同模型下利用稀疏约束信息、空间信息等提升算法的解混能力,对几类基于高光谱遥感影像的稀疏解混方法进行了深入的研究。本论文结合公开光谱库的仿真数据集以及真实遥感高光谱数据,对算法参数的设置、性能分析及对噪声的鲁棒性等分别进行研究,并与目前先进的正则类稀疏解混算法、多目标稀疏解混算法与深度解混网络等进行了充分详细的对比。论文的具体研究内容包括以下几个部分。针对传统半监督稀疏解混算法空间信息利用率不足、解混精度受限的问题,本论文提出结合超图与重加权?1范数的高光谱稀疏解混算法,通过在高光谱影像数据内构建超图结构,邻域内具有光谱相似性的多个像素被包含在超图的边中以表示复杂的流形关系,将空间信息引入模型以更好提升解混性能。同时引入重加权?1范数稀疏优化对难以求解的?0问题进行近似,以获得丰度解的进一步稀疏表示。实验结果表明该方法具有优秀的解混性能与良好的鲁棒性。由于光谱库的高冗余性与库内端元特征的高相干性,正则化稀疏优化解混方法难以摆脱对权值参数的依赖,本论文将高光谱稀疏解混与多目标优化问题相结合,提出一种多目标稀疏解混框架。为引入局部空间信息,提出一种距离度量的超像素分割算法处理高光谱图像,实现对图像的超像素分割;引入衡量局部空间均一性的尺度度量,将针对整个影像的数据处理划分为针对超像素子块的处理。通过遗传算法寻找到能适应各子块的字典优胜组合。对优胜解进行合并,并从中确定唯一最优解,从而确定端元矩阵并反演获得丰度信息。基于高光谱影像的对比实验表明,该方法能够在不同信噪比下识别获得端元矩阵并求取准确的丰度信息,从而获得优越的解混性能。深度网络模型能够以半监督或无监督的方式学习到高维输入信号的深层特征信息,本文进一步引入有效的稀疏约束,使网络学习性能与泛化能力得到了增强。本文尝试从特征提取和无监督解混两方面,分别探讨卷积网络在特征提取及无监督解混的性能。本文首先构建基于卷积的二维特征提取网络,通过引入像元邻域光谱构成光谱特征输入,对网络训练;在网络训练中引入稀疏性约束,以无监督的方式学习输入的稀疏特征,提升网络的泛化性能。另一方面,针对高光谱图像的三阶张量结构,建立一种三维去噪卷积自编码解混网络,在噪声背景下提取有效空谱特征信息以获得光谱信号复原;同时在自编码网络中引入?2,1范数稀疏正则,通过自学习得到端元矩阵与丰度信息。实验结果表明,本文提出的卷积网络模型在高光谱特征提取与无监督解混过程中都表现出良好的性能及效果。论文从光谱解混模型中蕴含的稀疏性出发,充分利用高光谱数据丰富的空谱联合信息建立半监督与无监督稀疏解混模型,对混合像元光谱分解问题进行了深入研究,为复杂场景下高光谱混合像元端元提取与丰度反演任务提供了有效的解混算法。基于超图与重加权?1范数稀疏解混算法通过构建超图空间约束实现精确的丰度信息获取,适用于光谱解混问题中空间信息利用率不足的场景;基于超像素的多目标稀疏解混借助图像分割进行并行运算,能够直接从冗余库内提取端元信息与丰度特征,适用于具有典型空间一致性的现场影像端元光谱特征识别应用;深度三维自编码解混网络通过双自编码器级联的方式无监督训练学习端元与丰度信息,适用于高噪声背景下对端元与丰度精确获取的需求。论文工作对定量评估地物成分、提升高光谱图像数据的利用与解析能力、促进高光谱技术在精准农业、城市遥感及矿藏勘探等领域的发展,具有重要的理论意义和研究价值。