随着近年来技术的不断发展,高光谱图像的空间分辨率显著提高,但相比于其他光学遥感,较低的空间分辨率导致一个高光谱像元内可能包含两种或两种以上的地物,即混合像元问题。如果采用硬分类方法对混合像元进行分类处理,获得的分类结果显然并不准确。高光谱解混方法通过确定各种纯物质在混合像元中所占的比例(丰度),从而实现混合像元的软分类。从本质上讲,解混是发现丰度向量和高光谱混合像元之间的映射关系。传统高光谱解混方法以光谱信息作为高光谱像元的特征,通过引入先验知识并求解一个优化问题来逼近丰度向量和混合像元特征之间的映射关系。此类方法忽略了高光谱像元特征和解混之间的关系,而且对每一个或一组混合像元都需要重复求解一个优化问题,效率较低。基于以上考虑,我们通过构造训练样本和深度网络,将无监督的解混问题转化为一个有监督的深度网络回归问题,主要内容如下:1.设计基于自编码器和回归网络的有监督解混网络框架。鉴于最初的网络框架是采用样本的谱特征进行训练,忽略了样本之间的关系,在基本网络上添加样本之间相似正则的解混方法。该方法采用高斯核函数度量训练样本之间的丰度相似性。丰度越相似,正则约束下自动编码器特征以及网络输出丰度分别越相似。实验结果表明该方法对噪声的鲁棒性更好,解混精度明显优于最小二乘法、MLP以及最初的网络。2.高光谱解混过程中,特征噪声越大,对后续解混精度的提高越不利。实验发现将带噪声的测试样本输入到训练好的第一个稀疏自动编码网络,重构测试样本时,噪声影响大的波段重构误差大。据此,设计一种波段筛选的方法,去除一部分对解混不利的波段,从而达到提高解混精度、增强噪声鲁棒性的目的。采用网络进行数据的训练,只利用到高光谱的光谱特征,而忽略了空间信息的价值。针对空间信息利用不足的问题,设计了一种后处理方法。通过添加正则项,实现相邻像元样本越相似,丰度越相似的约束,这种后处理的方法有效地提高了测试样本的利用率,对实际测试数据更具有针对性,同时也不失网络训练的优势。3.以上方法分别从样本相似正则和波段筛选以对解混精度进行提高,为了能够将这几种优势结合到一起,本文设计了一种集成方法。该方法将初始网络、相似正则下的网络以及波段筛选后的网络输出通过集成训练,然后经过学习得到最终的集成方法丰度结果。有效的结合了各种方法的优势,解混精度提升效果明显。