高光谱遥感影像含有丰富的光谱和空间信息,其图谱合一的特性使得高光谱影像能广泛应用于遥感反演、环境监测和目标探测等领域。由于高光谱影像空间分辨率的限制,像素通常存在大量的混合像元。近年来,非负矩阵分解由于简单有效的特点,已被广泛应用于混合像元分解。但传统的模型往往只有单层结构,不能充分挖掘深层特征,使解混效果受到制约。另一方面,空间预处理类算法虽然可通过考虑相邻像元间的空间关系和光谱相似性提升解混效果,但此类算法的时间效率依旧有待提高,算法结果易受异常值的干扰。针对以上问题,论文在深度非负矩阵结构的基础上,提出了一种基于全变差和重加权稀疏约束的深度非负矩阵分解方法,并且利用蜂窝聚类策略提出了一种新的空间预处理算法。主要研究内容如下:(1)使用深度非负矩阵分解模型代替传统单层模型,在预训练阶段进行逐层预训练,而在微调阶段减少分解误差。由于丰度矩阵是稀疏的,在深度非负矩阵分解模型中加入重加权稀疏正则化项,其权值根据丰度矩阵自适应更新。最后,引入全变差正则化项,以利用空间信息并提升丰度图的分段平滑性。论文采用梯度下降法推导出乘性迭代规则,利用模拟数据集、Cuprite数据集以及高分五号数据集进行实验,并与其他经典方法作对比,结果表明本方法既具有更好的解混效果,同时具有一定的去噪能力。(2)针对一些空间预处理算法时间效率不够高且易受异常值影响的问题,提出了一种新的空间预处理方法,引入简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)方法的思想,将聚类的全局搜索范围限制在局部区域,利用蜂窝形状来初始化聚类,进而在分割时可以减少一定的计算量,分割过程中使用光谱信息散度与光谱相关系数表征光谱相似性,并利用GPU加速以提高超像素分割速度。在考虑光谱相似性和空间相关性的聚类分区后,在每个分区利用主成分变换选择候选端元集,过程中引入置信指数,以减少异常值的影响。最后,利用基于光谱的端元提取方法从获得的候选端元集中提取最终的端元。实验表明新提出算法具有较高的效费比,并且能够处理数据量很大的影像,具有一定的实际应用价值。(3)针对常用遥感处理软件缺少对最新高光谱解混功能支持的现状,初步构建了高光谱混合像元分解系统,研发了高光谱混合像元分解的软件,作为一款独立且互补的系统,弥补了常用遥感软件的短板,具有一定的应用价值。该论文有图35幅,表10个,参考文献123篇。