随着高分系列的成功发射,我国在遥感领域取得巨大进步。一张高光谱图像数据在光谱维包含有数百波段,在空间维包含数十平方公里面积,面对如此庞杂的数据,人工分析已力不从心,需要借助计算机进行图像处理。高光谱图像数据处理的目的之一是目标检测,尤其是微小目标检测,在林木初期病虫害防治、军事侦查等领域有重要意义。高光谱图像中每个像素可以绘制出一条光谱曲线,这里我们称为像元。但是受到传感器、通信能力以及大气散射等条件影响,一些像元的光谱信息可能受到干扰,产生混合像元现象,这不利于微小目标的检测,需要将混合像元分解成单一物质的光谱,这个过程称为解混。因此高光谱图像的解混算法研究成为遥感领域的一项重要工作。本文基于当前发展迅速的神经网络将自编码器应用于高光谱图像解混中,利用神经网络在处理大量数据中的优势和对非线性问题的强大拟合能力,提出了一种基于自编码器的高光谱非线性解混网络以及一种融入空间信息的高光谱非线性解混网络,主要内容如下:本文提出了基于高斯过程的非线性区域探测算法。在高光谱图像解混中非线性解混方法有精度高计算复杂的特点,线性解混算法有计算简单精度低的特点。在大量高光谱图像数据上应用非线性解混算法在效率上是难以接受的。因此为了结合线性解混与非线性解混的优点我们在解混前先进行非线性区域探测的预处理步骤。基于统计学检验对每个像元的光谱计算拟合误差,通过阈值处理标记为某种混合方式。经过预处理后将高光谱图像数据输入到解混网络中。本文提出了基于自编码器的高光谱非线性解混网络。自编码器网络能够通过编码器提取输入的隐含特征,并通过解码器将输入重构。高光谱图像数据的内在特征就是每个像元中各种端元所占的比例,即丰度,可以通过编码器进行提取。通过设置关于端元的正则项以及约束丰度的数值可满足解混中的物理意义。对自编码器中的解码器进行结构的优化可使它能够对高光谱图像数据进行线性和非线性的重构,并根据非线性探测的结果选择不同的重构方式。在进行网络更新时,采用重构误差作为损失函数。解混完成之后,编码器的输出即为估计丰度,其与下一层连接的权重即为端元矩阵。本文提出了融入空间信息的高光谱非线性解混网络。受自编码器在解混中的应用的启发,本文使用卷积自编码器引入高光谱图像数据中的空间信息进行空谱联合的解混。由于高光谱图像数据的特殊性,我们采用三维卷积核进行卷积,通过卷积提取目标像元与周围一定区域内的像元的空间关系,在编码器提取的特征中融入空间信息和光谱信息。融入空间信息的解混算法在噪声较为严重的情况下具有优势。