随着对地观测、军事侦查、矿物勘测等国家重大应用需求的增长，现代成像探测手段逐步向高空间分辨率和高光谱分辨率发展。其中，高光谱成像技术可以获取许多非常窄且连续的波段上的图像数据，且能以足够的光谱分辨率区分出那些传统遥感中不可探测的物质，因而成为定量遥感和成像探测的有力手段。　　然而，由于光谱成像仪的空间分辨率限制和地表的复杂多样性，高光谱成像技术获得图像的某些像元中往往包含多种物质，这些像元点被称为混合像元。混合像元的存在不仅增加了分类等应用的难度，而且阻碍了遥感的定量化发展，因而需要对高光谱图像进行解混，求解出图像中包含的成分（端元）光谱及其比例（丰度）系数。此外，和传统遥感图像相比，高光谱图像分类具有高维、训练样本不足、波段间的相关性高、类内差异明显、数据量大等难题，因而需要针对高光谱图像的特点，在模式识别、人工智能、图像处理等技术的基础上，进一步发展高光谱遥感图像分类技术。　　本文围绕高光谱图像解混与分类问题，以非负矩阵分解(Nonnegative MatrixFactorization，NMF)和稀疏表示分类(Sparse Representation Classification，SRC)理论为高光谱图像的建模方法，分别展开了非负矩阵分解解混和稀疏表示分类的新模型和新算法研究。本文的主要工作和研究成果如下:　　(1)在高光谱图像NMF解混框架下，提出了基于最小对数体积正则化的NMF解混模型。该模型通过对数化最小体积项，降低了最小体积项的非线性和耦合性;进而在交替方向乘子法(Alternating Direction Method of Multipliers，ADMM)框架下，构造最小对数体积项的二次逼近，提出了一种ADMM快速解混算法。模拟数据和实际数据实验都验证了本文方法优异性。　　(2)针对高光谱图像NMF解混存在多解的问题，联合端元的体积先验和丰度“和为一”约束下的稀疏性先验，提出一种基于l1-l2稀疏性度量的NMF解混模型。该模型采用基于最小距离的体积度量作为端元正则项，同时设计了“和为一”约束下的丰度稀疏性正则项。进一步，采用ADMM求解提出的模型，取得了好的解混结果。　　(3)在高光谱图像SRC框架下，引入一种综合同谱像元空间维聚集特性的正则性先验，提出了融合空间相关性正则化和训练样本光谱信息保真的SRC方法。该方法将每个样本的标记信息扩散到其周围像元，直到在整个数据集上达到一个全局稳定状态，有效地提高了分类精度。　　(4)在高光谱图像核稀疏表示分类(Kernel SRC，KSRC)框架下，采用核函数方法融入空间信息，提出了一种空谱联合KSRC方法。该方法设计了一种空谱联合核，其在核特征空间中采用空间滤波来描述相邻像元间的空间相关性，有效地提高了分类精度。　　(5)在高光谱图像KSRC框架下，采用加权图方法融入空间信息，提出了一种基于空谱加权图（Spatial-Spectral Weighted Graph，SWG）正则化的分类方法。该方法设计了一种稀疏聚集度(Sparsity Concentration Index，SCI)规则引导的SWG正则项，其潜在的分类征服策略将核稀疏表示得到的稀疏系数向量按置信度SCI规则分为两类，保持其中具有高SCI值的一类固定不变，同时采用SWG描述剩下的稀疏系数向量间的空间相关性。实验结果表明，该方法不仅提升了分类精度，而且对训练样本的数目具有一定的鲁棒性。