高光谱遥感图像包含数以百计连续波段的丰富光谱信息。然而,由于传感器分辨率受到限制以及地面的多变性,观测到的每个像元可能是几种不同地物的混合物,混合像元的广泛存在是高光谱数据分析的一大挑战。高光谱解混技术可以将每个混合像元分解为端元以及相应的丰度来实现混合像元的精确分析。非负矩阵分解因能同时估计端元和丰度,近年来在解混问题中得到越来越多的关注。但是该算法仍然面临存在大量的局部极小值,解混结果不稳定,对噪声和离群值敏感,对丰度的稀疏性利用不足以及对空间和光谱信息的挖掘不足等难题。针对上述问题,本文的研究工作总结如下:1.针对大多数基于非负矩阵分解的解混算法不能很好地处理噪声和离群值,忽略了丰度稀疏性多样化,以及地物在全局结构中的空间分布情况等问题,提出了一种基于子空间结构正则化的L21非负矩阵分解方法。该算法采用基于L21范数的目标函数作为非负矩阵分解模型来处理噪声和离群值。此外,采用双重加权稀疏正则化算法来增强丰度矩阵的列稀疏性和行稀疏性,其中一个权值用来改善丰度矩阵的稀疏性,另一个权值用来提高端元的稀疏性。最后,通过子空间结构正则化来捕捉不同图像区域中地物的全局分布,以提高解混性能。在模拟和真实数据条件下进行的大量实验表明,与现有的一些方法相比,该方法能够获得更准确的解混结果。2.针对大多数解混方法忽略了高光谱图像中地物的复杂分布和丰富的光谱信息的问题,提出了一种结合空间光谱上下文信息的解混方法。该算法引入了重加权稀疏正则项,使估计的丰度更加稀疏。然后,利用子空间聚类来提取像元的空间相关性。每个自表达向量仅保留k个最大值提高了算法的可行性,而局部空间约束项使算法更鲁棒。同时利用余弦相似度来挖掘像元之间的光谱相似性,以充分利用数据的光谱信息。在模拟和真实数据条件下的大量实验充分证明了该方法的有效性和优越性。