高光谱图像数据包括数十甚至是上百个波段的光谱信息,这些细致的光谱信息和图像空间信息相结合有助于实现精准地物识别。因此,高光谱遥感在农林、勘探、军事等多领域都具有广阔的应用前景。但是受到高光谱成像仪器的限制,高光谱遥感数据存在着光谱分辨率高、空间分辨率低的问题。同时受大气散射等条件影响,在高光谱遥感图像中普遍存在混合像元,这对光谱数据分析产生了很大的阻碍,不利于进行高光谱图像分类和微小目标检测等后续的任务。因此,高光谱遥感图像解混算法是遥感领域的一个重要研究方向。近年来,神经网络算法发展迅速,对非线性问题的拟合能力优异。自编码器作为神经网络算法的一种,不仅可以拟合非线性问题,还有很好的数据重构能力,可以对高光谱图像数据进行重构。卷积自编码器则是在自编码器的基础上采用卷积操作,使得网络的参数更少、计算量更少,更适合处理高光谱图像这类数据量大的问题。因此,本文将利用卷积自编码器对高光谱遥感图像进行非线性解混。主要内容如下:本文首先提出一种基于后验调整的卷积自编码器高光谱非线性解混—NU-p CAE算法。该算法采用卷积操作,较采用全连接层的自编码器使用参数数量更少。NUp CAE算法的结构包括四个部分:两个编码器、一个解码器和一个非线性输出层。线性编码器（Linear Encoder,LE）用于提取高光谱图像数据线性部分的特征;非线性编码器（Nonlinear Encoder,NLE）用于提取高光谱图像数据非线性部分的特征,估计模型的非线性参数。自编码器的输出层利用NLE得到的非线性参数的估计对模型进行后验调整,再与解码器解码的线性数据结合得到最终输出的重构数据。解混算法通过输入与输出的重构误差进行反向传播,更新网络权重,拟合光谱非线性混合模型。其中解码器的权重即为端元矩阵,线性编码器的输出即为丰度矩阵。为了验证所提算法对高光谱图像非线性解混的效果,本文在模拟生成的仿真数据集和真实遥感数据集上与其它4种经典解混算法进行了对比实验,结果表明NU-p CAE算法可以得到更准确的丰度图,具有更加优异的端元提取效果。为了进一步提高NU-p CAE算法的解混性能,本文采用群智能优化算法对解混算法的超参数进行优化。群智能优化算法操作简单、不需梯度信息、灵活性强,可以很好的避免寻优过程陷入局部最优,较传统优化方法表现出了更好的优化性能。本文在蝗虫优化算法的基础上,添加两个改进策略,提出了一种基于动态双精英学习和正弦突变的蝗虫优化算法（EMGOA）。首先,算法通过向两个精英个体自适应动态学习,提高算法的局部开发能力,加快收敛的速度。其次,在每次迭代过程中,采用正弦函数指导当前全局最优位置进行突变,避免算法陷入局部最优,提高了算法的收敛精度。为了研究所提出的EMGOA算法的性能,本文在10个基准测试函数上进行了实验。实验结果表明,EMGOA算法的优化性能明显优于基础GOA算法。最后,利用EMGOA优化算法对NU-p CAE算法的超参数进行优化,来提高解混算法的收敛性能。实验结果表明,经过参数优化后的解混算法收敛速度更快。