高光谱遥感图像不仅记录了二维平面的空间信息,还包含了数百通道的光谱数据。由于空间分辨率的有限,高光谱图像中普遍存在多种物质混合而成的高光谱像元。从高光谱像元中分离出混合物质的光谱及其相应比例,即高光谱解混,是一项关键的高光谱遥感技术。伴随着日渐成熟的高光谱成像技术,解混方法得到了长足的进步和发展,其中的无监督盲源解混是一个普遍而又具有挑战性的问题,将自编码网络应用于无监督解混是近年来的一个热门方向。然而,由于训练数据的有限性和低秩性,基于自编码器的解混网络无法训练太多的参数和复杂的结构,其编码层大都是单层的全连接形式,这不仅未能充分利用像元的光谱信息,还导致了解混网络的训练只能以单一像元的形式进行输入,从而忽略了原始图像中的空间信息。鉴于此,本文从以下三个方面进行自编码解混网络的改进:（1）提出一种基于热核描述子的多对一像元重构策略进行端元提取。首先以方形滑窗的形式选取中心像元的邻域像元,并依次输入全连接编码层中一一求其丰度,然后通过一个热核函数从空间加权的角度将其融合成一个丰度值,最后输入解码层将其重构成中心像元。这种增强输入样本的方式,利用了空间信息,提升了网络的编码能力,改善了网络的端元提取效果。（2）提出一个深度光谱卷积网络对丰度进行了估计。首先设计几个小卷积层对光谱特征进行提取,然后设计两层的全连接层将提取的特征融合成丰度,最后通过已提取的端元重构出原始像元。卷积网络对高相关的光谱通道数据具有较好的特征提取能力,有效地利用了光谱信息,最终提升了网络的丰度估计能力。（3）提出了一种基于丰度的超像元分割方式提取高光谱图像中的空间信息,以改进（1）中的端元提取方法。首先通过传统方法估计较为粗糙的像元丰度,然后将其与像元的空间坐标组合成特征空间,利用SLIC算法将高光谱图像分割成一个个像元簇,即超像元,最后将其作为中心像元的邻域输入（1）中的端元提取框架进行端元提取。超像元分割自适应选取了中心像元的同质均匀邻域,克服了固定滑窗带来的边界过平滑等问题,进一步挖掘了空间信息对端元提取的潜在能力。在两个真实高光谱数据集上验证了本文提出的方法,实验表明,本文的方法不仅加强了自编码器的端元提取能力,还提高了丰度的估计精度,取得了较好的解混效果。