随着成像光谱技术的迅速发展,高光谱成像吸引了越来越广泛的应用,如环境监测,风险防范以及矿产勘探等.然而,受到成像传感器空间分辨率低的限制,一个像元通常包含了几种不同的组成成分,这就是所谓的混合像元.在实际中,这样的混合像元大量地存在于成像光谱仪所采集的图像中.因此,如何进行混合像元分解成为了深度解析高光谱数据的一个关键问题.所谓的高光谱解混,就是将一个混合像元分解为其中的基本组成成分以及每种成分在这一像元中所占的比例.最近,大量的稀疏非负矩阵分解（nonnegative matrix factorization, NMF）算法已经取得了良好的解混效果.但是,由稀疏NMF算法所得到的结果往往容易受到分解不稳定以及噪声干扰的影响.本文主要探究了高光谱数据本身的内在流形结构,并将其作为流形正则项引入稀疏NMF算法之中.针对解混问题,本文提出了一种新的流形正则的稀疏NMF算法.主要的研究工作如下：（1）提出了一种快速的基于聚类的正交投影（clustering based orthonormal pro-jection, COP）算法.通过引入高光谱数据的结构信息,比起传统的顶点成分分析（vertex component analysis, VCA）算法,COP算法能进一步提高精度.（2）为了在分解过程中保持数据的内在流形结构,流形正则项被引入到稀疏性约束的NMF算法中来处理解混问题.新引入的正则项能在解混过程中有效地保持原始图像和基本成分的丰度图之间的密切联系.（3）在合成数据以及真实数据上的大量实验验证了所提出的算法比起目前其他算法更加有效.