针对当前高光谱图像非线性梯度解混算法的局限性,本文提出了基于神经网络的高光谱图像非线性解混算法和基于神经网络和差分搜索算法的高光谱图像非线性解混算法。两种算法构造出目标函数用于非线性解混,将高光谱图像非线性解混问题转化为最优化问题。第二种算法并引入差分搜索算法对目标函数进行优化,将解混过程中的待求参数映射为差分搜索过程中的位置参数,同时在搜索过程中引入丰度非负和丰度全加性约束映射机制满足解混要求。仿真数据和实际高光谱数据实验结果表明,本文算法有效地克服了基于双线性混合模型的梯度解混算法的不足,可有效地实现高光谱图像的非线性解混。因此,本文就该问题进行的主要工作如下:(1)本文提出的第一种算法利用广义双线性混合模型产生训练样本训练神经网络,在利用完成训练的神经网络估计高光谱图像中的每个像素的非线性系数和丰度之后,利用非线性系数和丰度重建每个像元,完成对高光谱图像的非线性解混。(2)本文提出的第二种算法利用神经网络估计出像元点的非线性阶数,在对高光谱图像非线性解混算法目标函数进行优化时,针对梯度算法容易受初始化和迭代步长影响而收敛到局部极值的缺点,采用全局收敛性能更好的差分搜索算法进行寻优,提出了基于神经网络和差分搜索算法的非线性解混算法来解决高光谱图像的非线性解混问题。(3)根据高光谱图像像元非线性混合模型对丰度的非负约束和全加性约束,在高光谱图像非线性解混算法的目标函数中引入丰度非负和全加性约束的丰度,构建出新的目标函数,提出基于神经网络和差分搜索算法的高光谱图像非线性解混算法,并采用差分搜索算法优化目标函数,实现了高光谱图像的有效非线性解解混。