高光谱图像在成像时,由于受到分辨率、地物复杂性及成像天气等影响,单个像元通常是由多种材料组成的混合物,即混合像素。高光谱解混是将混合像素分解成一些纯物质称作端元,和其对应的比例称作丰度的过程,其在分析和处理高光谱图像中是一项重要的任务。随着大规模光谱库的出现,大量的稀疏解混算法利用高光谱图像中的光谱和空间信息来提升丰度矩阵估计结果。然而,许多算法等效地处理场景中活跃和非活跃端元的丰度矩阵。针对这一想法,本文提出了一个名为混合支撑检测的通用框架,用于解决光谱解混问题。其具体做法如下:首先在每次迭代中检测活跃和非活跃的端元,然后对相应的丰度矩阵进行不同的处理。同时假设非活跃端元对应丰度矩阵为零,在下一次迭代中只针对活跃端元丰度矩阵估计。随着在每一次迭代中丰度矩阵和光谱库矩阵的规模逐渐减小,进而降低计算成本。此外,通过避免大量的非活跃端元参与到解混过程中,从而减弱了非活跃端元丰度矩阵的干扰。而且通过假设非活跃端元丰度矩阵为零,也增强了丰度矩阵的稀疏性。为了说明混合支撑检测框架的有效性及可适用性,本文将该框架嵌入到五种经典的稀疏解混算法中,得到五个基于混合支撑检测框架的新的解混模型,并使用交替方向乘子法求解模型,得到新的解混算法。最后,模拟和真实数据实验的实验结果都证明了基于混合支撑检测框架的算法的有效性,也显示了混合支撑检测框架的有效性及普适性。