高光谱影像通常具有几百个波段,含有丰富的光谱、空间和辐射信息。然而由于地物分布的复杂性和传感器空间分辨率的有限性,混合像元普遍存在于高光谱影像中,是高光谱影像定量分析和应用的最大障碍。因此,如何有效的解译混合像元,从亚像元级别上获取地物信息,是高光谱影像解译和应用的关键问题之一。将混合像元分解为所含有的地物光谱(端元光谱)和相应地物的存在比例(端元丰度)的过程称为高光谱影像混合像元分解。近十多年来,针对高光谱影像混合像元分解问题,相关研究学者已经进行了大量的科学研究,提出了一些非常有价值的方法和技术方案。可分为两大类型,即分布分解和同步分解。分布分解多是指传统的混合像元分解类型,先通过影像光谱特征空间分析,获取影像端元光谱,然后基于端元光谱和选取的光谱混合模型进行端元丰度反演。同步分解是近些年来新兴的一种研究思路,是指直接基于高光谱影像、利用盲信号分离技术分解为端元光谱和端元丰度。然而,所见的混合像元分解方法多是将高光谱影像视为离散而无任何关系的一个个高维像元光谱集,即只利用了影像的光谱信息,忽略了像元间的空间相关性。本文认为混合像元分解问题应该结合影像空间信息进行研究,在分解过程中充分挖掘并利用局部影像空间信息和邻域像元光谱信息的特性,并在此基础上提出了基于影像同质区分析的高光谱影像混合像元分解技术框架。首先,为了在混合像元分解过程中的各个阶段能有效的分析光谱之间的相似性,研究了光谱信息特征的刻画方式和数学意义,提出了一种融合光谱辐射信息、光谱曲线形状信息和光谱数据信息含量的新型光谱相似性测度,即光谱泛相似性测度(SPM),实验表明,SPM在分析光谱之间相似性时具有更好的光谱判别力和较低的光谱判别不确定性。然后,为了获取具有明确空间和光谱特征影像区域,基于SPM提出像元同质指数(HI)数学模型以定量分析像元与其影像空间邻域像元间的光谱相似性情况,并将影像分为影像同质区和影像过渡区。影像同质区像元之间光谱相似,出现纯净像元的概率大；影像过渡区像元与邻域像元之间光谱差异大,含有大量的混合光谱。影像同质区的空间和光谱信息将用于提取影像端元光谱和构建混合像元分解中相关的约束条件。随后,在影像同质区的基础上,提出了一种结合影像空间和光谱信息的高光谱影像端元光谱自动提取方法(HREE)。HREE方法利用了高光谱影像在光谱特征空间分布的三点特征,即(1)端元光谱位于凸面单形体端点；(2)影像每个像元都是端元光谱的凸组合；(3)影像同质区中每个像元也是端元光谱的凸组合。在影像同质区特征投影空间中进行OSP分析获取初始端元光谱,经过影像同质区空间信息优化和端元光谱信息优化,获得最终端元光谱。实验表明,HREE方法提取的端元光谱更为精确,受噪声和光谱混合情况影响较小。接下来,在影像同质区基础上,通过分析影像空间和光谱特征,提出了影像端元丰度稀疏性和端元丰度平滑性两个命题,并进行了讨论。然后提出了一种含有端元丰度平滑性约束的非负矩阵分解方法(CNMF),给出了目标函数和相关迭代规则,并证明了其数学收敛性。结合仿真影像和真实影像实验表明,基于CNMF的影像非监督解混结果更符合高光谱影像混合像元分解问题的相关物理意义要求。最后,研究了已知影像端元光谱情况下的像元端元丰度反演问题。提出了种在影像同质区基础上的像元最优端元子集获取方法,给出了一种顾及邻域信息的端元丰度反演技术框架,即影像同质区最优端元子集通过端元光谱迭代分析获得,影像过渡区最优端元子集通过与邻域同质区的连接分析获得,每个像元的最优端元子集和其所在的影像区域保持一致。实验表明,该方法提高了影像端元丰度反演的精度。