高光谱图像分辨率高、包含大量数据信息、波段数目大,为人们的研究提供了巨大价值,但也对高光谱遥感技术进一步发展带来了挑战。如何从大量数据中提取所需要的信息,是一个亟需解决的问题。混合像元在高光谱图像中广泛存在,也限制了高光谱遥感的应用,混合像元分解是高光谱遥感技术应用的核心技术之一,准确有效的将混合像元分离为多个端元的组合是实现实际应用的前提。传统混合像元分解在丰度估计时采用的是非监督算法,算法适应能力较弱,支持向量机、深度学习网络已经开始走入混合像元分解领域,在目前研究基础之上提出了基于区域的SUR均值解混算法,利用扩展支持向量结合空间信息对高光谱图像进行处理。使用与光谱模型不匹配的丰度反演算法无法保证解混效果,而光谱模型并不能准确获得,深度学习能够解决光谱不确定问题。但传统的深度学习需要大量样本进行训练,带标签样本难以获得,在有限样本的情况下,也无法保证网络对新的未知数据的预测能力,因此提出了结合迁移学习的堆叠式降噪自编码器网络。主要工作包括:(1)提取端元束为支持向量机提供训练样本,分析结合空谱信息以及PPI算法的端元束提取方法的优缺点,针对其在聚类中的不足做出改进。分析研究了K均值算法、均值漂移算法以及密度峰值算法在高光谱聚类中的性能,并使用欧式距离、光谱角距离、光谱信息散度分别作为距离准则进行实验,选择稳定且有效的聚类算法得到端元束。(2)传统的拓展支持向量机进行光谱解混时会出现丰度重叠和模型重叠问题,SUR均值解混通过筛选出代表强的端元进行解混抑制重叠问题,但SUR均值解混算法仅考虑了光谱信息。在此基础之上,本文提出了基于区域的SUR均值解混算法,根据高光谱遥感图像的局部特点加入空间信息增强算法的解混能力,使用区域增长算法确定了各端元在图像中的位置区域,并模糊评估方法,通过实验表明其在重叠问题的抑制以及解混精度上具有更好的效果。(3)解混算法是在假定光谱模型的基础上确定的,但假定的光谱模型并不能很准确表示地物的实际情况,深度学习可以通过学习数据特征弥补这一缺陷,并且通过多种混合光谱模型合成数据训练网络,可以提高网络的泛化能力。但对于新的场景,深度学习网络的迁移能力不强,无法保证数据的预测效果。结合迁移学习使用预训练模型能够有效利用小样本数据,并且通过少量新数据微调模型参数能够增强网络的学习能力。采用结合迁移学习的降噪自编码器网络,用大量合成的多种光谱模型的高光谱数据初始化网络权重,得到预处理模型;再使用少量真实图像中的数据微调权重,通过实验表明结合迁移学习的深度网络在光谱解混中效果更好。