遥感图像由于传感器硬件的限制、环境因素的影响以及地物空间分布的异质性,导致其中存在混合像元,即一个像元中包含不止一类地物信息。在使用传统的硬分类方法处理上述混合像元时会出现误分现象。而光谱解混仅可求得混合像元内不同地物类型所占的比例,无法得到不同地物类型的空间分布情况。亚像元定位技术分类的最小单位在像元内部,它利用光谱解混的结果可求得混合像元内不同地物类型的空间分布情况。利用亚像元定位不仅可以解决混合像元问题,还可以提升遥感图像的制图空间分辨率,得到分辨率更高的分类图。本文根据前人对亚像元定位的研究,展开了如下的研究内容:1、本文采用一种两步策略法的亚像元定位方法,并使用一种简单高效的光谱解混方法生成丰度图作为算法的输入。实验结果表明,与对比方法相比,本文使用的两步策略法在不同平台的遥感数据集上均能取得最高精度的结果。2、两步策略法中的丰度值估算与图像超分辨率重建过程类似。基于此,本文提出了三种基于图像超分辨率重建神经网络的亚像元定位方法,其中,基于效率亚像元卷积网络的亚像元定位算法(ESPCN-SPM)选用了迁移学习(TL)用于更新网络参数,使得网络不需要训练过程,进而节省了该网络的时间成本。使得该网络仅需要和像元置换法(PSA)同量级的时间消耗就可得到更高精度的结果。3、亚像元定位结果的精度会受到尺度因子、地物类型复杂度和光谱解混误差的影响。为了降低上述因素的影响,本文在基于深度图像先验的亚像元定位(DIP-SPM)中将一种网络结构较复杂的深度神经网络用于估算丰度值。同时,为了使网络摆脱对于训练数据的依赖,本文使用深度图像先验(DIP)更新DIP-SPM中网络的参数。实验结果表明,随着尺度因子的增加、地物复杂度的增加,以及更严重的光谱解混误差的影响,本文提出的DIP-SPM方法比对比方法结果精度下降更缓慢,且精度依旧最高。