随着卫星传感器空间分辨率的不断提高,消除光谱二次反射效应能力的不断增强,给高光谱图像分类带来了新的研究机遇,但是由于复杂实测地物的多样性、地物光谱多次散射以及实时变化等问题,高光谱图像的混元解混问题(Mixed Pixel Decomposition)成为遥感领域新的研究难点。论文针对高光谱解混过程中存在的分解精度不高,端元数目冗余以及处理速度慢等问题,以压缩感知理论作为研究工具,充分利用光谱库中丰度系数向量的稀疏性,对解混预处理、端元特征提取以及端元子空间划分等内容展开了研究。针对高光谱图像稀疏解混过程中随机测量矩阵造成的观测向量不确定性,本文建立搜索测量矩阵宽度和稀疏度的整数规划数学模型,引入混沌蚁群算法来确定测量矩阵的参数。以混沌Tent Map系统产生的伪随机序列为基础,按照循环/块对角分裂结构,构造出改进混沌托普利兹矩阵。利用该测量矩阵与投影矩阵的相关性,在随机梯度下降算法中引入块SVD分解策略,获得优化改进混沌托普利兹测量矩阵。测试实验表明,该优化测量矩阵在端元特征提取过程中,不仅能够有效的减少了端元特征的数目,保持了较高的处理速度,而且保证了更精确的特征提取精度。由于卫星传感器在采集过程中云层、大气等实时加性噪声,量化过程中量化噪声以及高光谱成像仪和对象地物间的相对运动造成的线性模糊都会使得高光谱图像质量下降,产生稀疏解混的端元提取精度问题,论文提出一种改进分裂Bregman迭代与改进型最小近似共轭梯度相结合的解决方案,通过改进型最小近似共轭梯度算法检测光谱信号的尖峰和突变部分,采用并行优化加速策略提高分裂Bregman迭代策略收敛速度,引入了迭代重复加权策略改造字典学习,抑制含噪信号的乘性噪声。实验表明,针对不同的噪声,该策略不仅能够很好的提取和保留实时信号中的尖峰和突变部分,而且具有鲁棒重构原始测试信号的能力,为后续实现混元区域的多端元稀疏解混中提高分解精度提供了帮助。针对如何将高维数据划分为端元子空间来提高混元分解精度和处理时间的问题,提出了一种结合改进型交替方向法与鲁棒主成分分析(RPCA)的实时低秩分解策略,通过预测学习训练在线字典实现低秩分解,采用冗余补偿技术降低低秩分解中的误差,引入块自适应SVD分解策略提高低秩分解的速度,将该策略应用于高光谱信号的稀疏子空间聚类,达到划分端元子空间提高解混分解精度的目的。实验研究表明,该策略是一种实时特征降维中有效的分类方法,能够实现实时端元特征降维中有效波段分类。最后,本文的主要研究工作是将压缩感知理论中所取得的测量矩阵构造与优化、高光谱图像噪声背景下的鲁棒重构以及高维信号的低秩分解等主要研究成果对于高光谱稀疏解混中端元特征提取、解混预处理以及端元子空间划分等问题进行了有益的尝试,重在提高稀疏解混的端元特征提取精度以及提取速度,实现高光谱图像的多端元稀疏解混。