三维的高光谱图像同时包含成像地物的空间信息和丰富的反射光谱信息,具有覆盖波段广,快速无损,光谱信息含量充分等特点。在高光谱图像丰富的光谱信息基础上,使用图像分析与模式识别的相关算法,可以实现对成像地物的有效分类和识别。因此,高光谱成像技术在农业和军事上有着非常广泛的应用。由于自然地物分布的复杂性以及高光谱图像较低的空间分辨率,图像中的某些像元中不止含有一种物质,该类像元称作混合像元。当混合像元存在时,将该类像元分为哪一类都不合适,因此大大降低了对地物分类识别的准确性。为了解决混合像元的问题,需要将混合像元进行亚像元级别的分解,该过程称作混合像元解混。混合像元解混,是利用几何、统计、建模等方法,分解出混合像元中不同的基本组成物质(端元),以及基本组成物质在每个像元中所占的比例(丰度)。在进行混合像元解混之前,首先需要建立混合模型。基本的混合模型为线性混合模型和非线性混合模型。线性混合模型不考虑像元内部基本物质在成像过程中的相互影响,认为高光谱图像中的像元是端元和丰度的线性组合。与非线性混合模型相比,线性模型具有建模简单物理意义明确等优点,因此目前常用的解混算法一般是基于线性混合模型的。本文研究的重点是对高光谱图像线性解混算法的研究。本文首先概述总结了三类不同的基于线性混合模型的解混技术。基于几何的解混技术分为端元提取和丰度反演技术两部分。端元提取技术利用高光谱图像数据的空间特性,通过寻找单形体的顶点来获得端元。非监督的解混技术在没有其他外在信息的条件下,利用高光谱数据自身丰富的光谱信息以及空间信息进行解混。基于光谱库的稀疏解混技术利用已有的光谱库,结合稀疏性约束解混出图像的端元和丰度。在对三类解混技术概述总结的基础上,本文提出了模糊C均值解混(fuzzy c-means unmixing, FCMU)方法和基于分块的VCA端元提取方法。(1) FCMU将聚类理论和模糊理论引入高光谱解混模型。聚类理论使得解混得到的端元具有一定的物理意义和较高的准确度。模糊理论使得解混所得相对丰度满足实际丰度非负性以及和为1的约束。FCMU在已知端元个数的情况下,利用目标函数和迭代算法同时求出高光谱图像中的端元和相对丰度。实验结果表明FCMU提取的端元准确度有很大的提高。(2)针对VCA(vertex component analysis)端元提取时容易遗漏端元,提取精度不高的问题,本文提出了基于分块的VCA端元提取方法。该方法的基本思想是,将复杂环境的高光谱图像用一定的非监督分类方法,分为多个相对简单的图像部分,对分块后的各个块内区域使用VCA提取端元,从而在一定程度上降低了全局图像的噪声对算法的影响,避免了遗漏主要端元,提高了端元提取的准确度。在实验部分使用不同空间复杂度的两类高光谱图像数据进行算法测试。实验结果表明,基于分块的VCA端元提取方法提取端元的精度和反演丰度的准确度上都有很大的提高。