高光谱图像是通过光谱成像仪利用几十甚至几百个波段对同一个地区进行拍摄而形成的三维图像。但是由于光谱成像仪的物理限制以及复杂的地理环境,可能使得单个像元处得到的光谱反应为多种不同物质光谱的混合。混合像元问题的存在可能使得在高光谱图像中对识别物体的判别不准,出现错分类的问题。高光谱图像光谱解混的目的即是找出混合像元中各种纯净物质各自所占的比例,通过将混合光谱信号用纯净光谱成分(端元)的叠加来表示,并且其对应的权重称为丰度向量。高光谱图像中包含丰富的结构信息,学者们将全变分正则项(TV)引入经典的稀疏回归公式中,想以此来挖掘高光谱图像中的空间信息。全变分正则项前提假设了相邻像素之间具有相似的混合物质和相似的丰度系数,然而,全变分正则项的这个假设是过于严格了的。因此,解混的结果通常也会带来一些阶梯效应。为了克服这一不足,对于高光谱解混问题我们将通过引入双边滤波来松弛TV正则项的这一假设。由于双边滤波具有既光滑图像又保留图像边缘信息的能力,因此我们首先将双边滤波应用于每一个丰度图上,使得丰度图上光滑的区域更加光滑,同时也不会丢失边缘信息。因此用双边滤波预处理后的丰度图更容易满足TV正则项的分段常数变化假设。正是在此基础上本文提出了一种基于全变分的双边滤波器正则化项,并将新的正则化项和稀疏正则化项相结合提出了一个新的混合模型。为了求解该模型,在交替方向乘子法(ADMM)的框架下,设计了一个基于全变分的双边滤波正则项的变量分离增广拉格朗日稀疏解混算法(SUnSAL-BF-TV)。随后我们将提出的新算法应用于构建出的模拟数据集和一个真实的数据集上,并与几个经典的高光谱解混算法进行了对比。实验结果表明,该算法相较于其它几个算法对模拟高光谱数据集和真实高光谱数据集都具有更好或可比的表现。