通过成像仪获取的高光谱遥感图像具有光谱分辨率高、波段频率密集的优点,其所包含的丰富光谱和空间信息使得高光谱遥感图像在包括军事和农业等各个领域都有着广阔的应用范围和前景。然而,由于成像设备的限制,高光谱遥感图像的光谱分辨率在提高的同时,还存在空间分辨率降低的问题。空间分辨率的下降使得采样得到的图像数据中存在大量混合像元,每个像元对应的真实地物空间中包含多种物质,而成像设备获取的像元光谱曲线是由多种不同地物的光谱按照一定比例混合形成。混合像元的存在严重制约了高光谱影像的后续处理精度及其广泛应用。因此,研究高光谱影像混合像元分解（解混）技术具有非常重要的现实意义。基于深度学习的解混方法由于具有较强的拟合能力成为近些年解混领域的热点,但目前主流的深度学习解混算法大部分只考虑了高光谱图像的光谱信息,而没有加入图像的空间结构信息,使其解混精度受到了限制。经典解混算法中基于空谱联合先验引入空间信息改进了解混精度,因此如何在深度学习解混模型中引入空谱联合先验是本文主要的研究方向。本文的主要工作如下:（1）提出了基于循环神经网络和链式分类器的有监督解混算法。首先提出了基于长短时序记忆网络和链式分类器的解混方法,根据单个像元光谱曲线的序列化性质,使用序列化模型长短时序记忆网络进行特征提取。同时引入链式分类器替代传统的softmax分类器,更符合解混的多标签分类性质。在此基础上,加入一维卷积网络,与长短时序记忆网络分别提取局部特征和全局特征,提出基于融合网络和链式分类器的解混算法。该方法在多个真实数据集上取得目前最优的结果,证明了方法有效性。（2）提出了基于流形正则的多视角协同解混算法。算法首先对标记样本集进行多视角划分获取独立完备的特征子集,使用循环神经网络进行分段特征提取,去除子集内部冗余信息,捕捉子集间互补信息。同时使用滑动窗口采样取代单个像元输入到网络中,并加入流形正则基于空间信息对解混结果进行约束,以提升解混精度。该方法充分利用高光谱数据的空间信息和光谱信息,在多个数据集上取得较高解混精度。（3）提出了基于全局空间信息的动态图卷积解混算法。首先综合考虑像元光谱维度的相似度以及空间维度的位置关系进行图结构构建;之后通过引入动态构图的动态图卷积神经网络提取子图中的空间结构信息,充分利用标记样本,挖掘特征空间边缘的几何分布,获取高质量像元特征向量。最后基于高质量的特征向量和空间正则约束项得到解混结果。该算法在多个数据集上使得解混精度得到提升。