随着光谱成像技术和光谱分析技术的发展,高光谱图像的应用越来越广泛。从传统遥感领域的矿物勘探到食品安全领域的果蔬农药残留检测,高光谱图像正逐渐走进人们的生活,不再“遥”感。高光谱图像蕴藏了丰富的数据信息,既承载了空间影像特征,又承载了光谱域信息。高光谱图像在光谱维度上进行了更为细致的划分,具有很高的光谱分辨率,这也正是它的优势所在。然而,受制于器件性能和其它环境因素,高光谱图像中普遍存在着混合像元。混合像元严重制约了高光谱图像从定性化描述向定量化分析方向的发展。因此,对高光谱图像的混合像元解混就显得十分迫切和必要。深度学习虽然并不是一类新生的技术,但在如今的大数据时代和具有强大计算能力的计算设备作支撑的条件下,深度学习开始逐渐展现出巨大的潜力和优势。从图像识别到语音处理再到智能机器人,深度学习无处不彰显着它强大的学习能力和特征提取能力。基于这样的机遇和挑战,本文主要开展了深度学习在高光谱图像解混中的研究,同时也兼顾了一些统计学方法在高光谱图像解混中的应用。本文所做的工作主要有:1.设计了一个基于全连接神经网络的端元提取网络。在全连接神经网络结构的基础上,通过增加一些具有明确意义的功能层(如和为一约束层、稀疏促进层等),使网络输出能够按照设想给出有意义的结果。在进行网络性能测试时,分别考虑了数据噪声以及混合像元中的端元数目对端元提取正确率的影响。2.结合模型驱动方法和数据驱动方法的优势,利用Deep Unfolding的思想设计了一个基于模型驱动的深度学习网络——CLSUnSAL-Net。CLSUnSAL-Net既避免了模型驱动方法中对精确建模的要求,又克服了深度学习中难以选择网络拓扑结构的难题。CLSUnSAL-Net能够同时实现端元提取和丰度估计,在仿真数据集和真实数据集上都收获了良好的解混性能。3.提出了一种利用MISSO优化采样策略的随机最大似然的结构化矩阵分解算法。在线性混合模型下,高光谱图像解混问题可以抽象成一个单纯形结构矩阵分解问题。借助统计学方法的框架,可以将噪声、丰度的先验信息融入到矩阵结构化分解模型中,然后采用随机最大似然进行求解。在样本平均近似过程中,使用了利用MISSO优化后的采样策略,并因此收获了更好的解混结果。