高光谱遥感是指利用很窄而连续的光谱通道对地物遥感成像的技术。高光谱成像技术的问世是遥感技术应用的一个重大飞跃,所获取的地球表面图像包含了丰富的空间、辐射和光谱三重信息,已广泛用于地质勘探、海洋遥感、植被研究、精细农业、大气和环境监测、军事侦察和地形测绘等方面。高光谱遥感使遥感从定性分析逐步向定量分析深化。然而,但是由于空间分辨率有限以及地物的复杂多样性,遥感图像中普遍存在混合像元(即一个像元内有多种地物),对地面地物分布比较复杂的区域尤其如此。混合像元问题不仅影响地物的识别和分类精度,而且是遥感技术向定量化发展的重要障碍。因此,如何有效地解译混合像元是高光谱遥感应用的突出问题。本论文围绕混合像元分解及其应用这个中心,进行以下研究:①AMEE端元提取研究。先前的端元提取技术只利用光谱信息,因此为了更好的解决混合像元问题,本文引入了数学形态学的方法,建立了一种可以同时兼顾光谱信息和像素之间的空间相关性来进行端元提取的算法。②基于端元提取的高光谱图像分类。传统分类算法依据不同类别地物的光谱信息存在差异,而忽略了混合像元的光谱信息不代表任何一种单一的地物类型。高光谱图像分类技术是很多应用的基础,但仅用传统分类算法对高光谱图像进行分类,会导致分类精度降低。因此,文章对混合像元进行分解,然后对高光谱图像进行分类。论文以AMEE和PPI方法提取端元,然后以线性解混后的丰度图像进行图像分类,获得较满意的结果。③高光谱图像分类比较研究。论文进行以下几组比较研究:1) AMEE与PPI端元提取后的分类比较,结果表明对AMEE端元提取线性解混后的丰度图像进行最大似然分类精度高于PPI端元丰度图像分类精度;2)最大似然法与支持向量机的分类比较研究,试验表明支持向量机的分类精度高于传统最大似然分类;3)混合像元分解对分类的影响比较。将前述四种分类结果进行比较,结论说明线性分解后丰度图像分类精度最高。