高光谱图像包含除一般图像的空间信息外,还包含光谱维信息,这使得高光谱图像相比一般图像具有更丰富的信息,也使得高光谱遥感有了广泛的应用。光谱传感器的分辨率有限,采集到的像元往往是多种地物混合而成混合像元,不利于对地物信息的分析,使得可以提取像元更深层更精确信息的光谱解混技术成了热门的研究领域。尽管近年来针对高光谱解混技术进行了大量研究,有了长足的进展,但端元和丰度的解混精确度还存在较大的提升空间。本文针对解混算法还存在的一些常见问题,提出了两点创新。第一,针对传统的约束非负矩阵分解方法对于解混的物理特性考虑较少,提出一种以散射项作为约束的非负矩阵分解算法。与大多数约束非负矩阵分解算法将约束建立在数据的数学特性之上不同,所提算法考虑到如大气中的悬浮物、胶着物的散射作用等米氏散射(Mie Scattering)现象,这种光学现象对成像光谱仪接收到的光谱信号有着不可忽视的影响。所提算法将大气中的米氏散射造成的邻域贡献视作干扰,在数学表达上通过将散射相位函数作为约束条件参与约束非负矩阵分解,使得算法在丰度上对目标像素及其邻域的米氏散射干扰进行约束,以达到在目标函数上将米氏散射和噪声造成的干扰有效降低的效果,并通过实验验证了提出方法的有效性。第二,针对由于非负矩阵分解模型的非凸性和噪声,使非负矩阵分解方法容易陷入局部最优解的问题,提出了一种再权重稀疏约束结合正交约束非负矩阵分解算法。再权重稀疏非负矩阵分解算法是一种稀疏增强的算法,充分体现了高光谱图像解混的地物丰度稀疏性,但也因此使得光谱近似的地物容易混淆。所提算法在再权重稀疏非负矩阵分解的基础上,引入正交非负矩阵分解,增强端元光谱的独立性,在再权重稀疏算法基础上进一步优化,以达到更好的解混效果。实验也证实了提出算法的优越性能。