高光谱图像作为遥感领域的重要组成部分,被广泛应用于军事、环境和农业等众多领域。但高光谱图像的空间分辨率低,导致观测光谱数据存在大量混合像元,阻碍了高光谱图像发展,因此高光谱图像解混是高光谱图像处理中的一个重要课题。深度学习因其强大的表征能力成为近几年的热点,在高光谱图像分类和解混等方向都取得了不错的成果。本文致力于研究深度学习在高光谱图像解混中的应用,主要工作有以下两点:（1）设计了一种基于去噪自编码器框架的高光谱图像解混算法。深度学习在高光谱图像解混上一般使用自编码器框架,然而原始自编码器易受训练样本影响,并不能确保学习到有效特征,解混效果差。针对这一问题,本文引入去噪自编码器,将原始输入加噪处理,强制自编码器学习到有用特征重构原始输入。实验结果表明,去噪自编码器具有鲁棒性,输入数据的扰动不会影响其解混性能。（2）研究了一种结合光谱注意力的卷积自编码器框架用于高光谱图像解混。一般自编码器解混网络未考虑高光谱图像的内部信息,解混性能低。本文利用高光谱图像的光谱信息,将注意力机制思想运用于高光谱解混算法,提出光谱注意力结构。同时,在自编码器中加入卷积神经网络,实现高光谱图像的局部信息交互。光谱注意力模块和卷积自编码器的结合,充分利用高光谱图像的先验信息,提取到更高层的光谱特征表示。实验结果表明,光谱注意力结构和卷积层的加入提升了自编码器解混模型的性能。