高光谱遥感影像具有丰富的光谱信息,每个像素都可以提取到一条完整的高分辨率的光谱曲线,受到了大家广泛的关注。然而,由于成像仪空间分辨率有限,地物分布复杂,高光谱遥感影像中出现了混合像元,图像单元是由多种纯净地物混叠而成。混合像元的出现会影响高光谱遥感影像后续处理任务的精度,如分类、目标检测等。因此,对混合像元进行分解,即解混,对于高光谱遥感影像精细化处理是十分重要的。研究表明,高光谱遥感影像中丰富的空谱信息,对解混任务的研究是尤为重要的。如何有效地利用图像中的空谱信息,并作为先验加入到模型的构建中,来进一步挖掘图像数据潜在的结构特征,从而实现高效地解混,是高光谱遥感影像处理的重点与难点。本论文以非负矩阵分解模型为基本研究工具,结合流形学习,稀疏表示,低秩表示等机器学习方法,针对传统算法存在的问题及解混应用,提出了基于空谱结构信息挖掘的高光谱遥感影像解混研究。主要研究内容总结如下:（1）针对非负矩阵分解模型易陷入局部最优的问题,提出了一种基于端元独立性和空间相似性的高光谱遥感影像线性解混算法。传统的解混算法往往只针对端元或丰度进行单一的约束。提出的算法同时考虑了端元与丰度相关特性,一方面,考虑到端元间相互独立,利用自相关矩阵构建了独立性约束。另一方面,结合空间邻域信息构造了丰度权重矩阵,引入到稀疏约束中。同时,采用相关系数度量像素的相似性,从而构造流形正则,进一步挖掘高光谱数据的潜在结构。提出的线性解混算法不仅同时考虑了端元及其丰度的特征,还充分利用了图像中丰富的空谱信息。（2）针对广义双线性模型目标函数中无任何图像特性约束的问题,提出了一种基于语义结构低秩和自表示学习的高光谱遥感影像非线性解混模型。多数基于流形学习的解混算法通常采用热核函数构建连接权重。利用自表示学习挖掘图像像素间的相似性,从而引入到流形学习中。此外,考虑到图像像素间的相关性,利用超像素分割算法对图像语义结构信息进行挖掘,从而结合低秩表示对其进行约束。提出的非线性解混算法充分探究了图像像素间的相似性,挖掘了图像潜在的结构信息。（3）针对单一光谱混合模型难以反映真实场景中地物间复杂相互作用的问题,提出了一种基于结构区域的高光谱遥感影像混合模型自适应解混算法。传统的解混算法通常基于单一的光谱混合模型,由于地表特征具有一定的复杂性,单一混合模型通常不符合实际场景中光谱混叠现象。因此,为了更加精细地研究和处理,本文提出了一种混叠模型对图像不同区域进行自适应解混。算法利用聚类算法来挖掘图像的空谱信息,结合流形学习构建了光谱解混混合模型。提出的算法充分考虑了区域间光谱混叠模式的差异,并通过挖掘图像的空谱信息,实现了更加精细化的场景建模研究。（4）针对不同区域对应丰度具有不同稀疏特性的问题,提出了一种基于视觉计算和区域差异性的高光谱遥感影像稀疏解混算法。传统的稀疏解混算法通常采用单一的稀疏正则,忽略了图像中不同区域的差异性。研究表明,纯净像元更倾向位于图像中分布较为均匀的区域,而介于匀质区域间的区域,由于特殊的位置,更易出现光谱混叠现象,且混叠情况更为严重。受到视觉计算的启发,算法首次将视觉计算中的素描图技术应用于高光谱遥感影像中,来挖掘不同特性区域,并采用不同的稀疏正则进行约束,从而构建了一种稀疏解混混合模型。提出的算法充分考虑到了不同区域间稀疏差异性,并结合视觉计算,实现了高光谱遥感影像的稀疏解混研究。（5）针对解混与异常检测任务间内在联系的问题,提出了一种基于光谱解混和异常特性分析的高光谱遥感影像异常检测算法。传统的检测算法往往从单一角度出发,对异常进行检测和处理,效果欠佳。本文以异常检测任务为驱动,利用图像的空谱信息构建了一种新的解混模型。通过对异常局部特性与全局特性进行分析,从像素级和亚像素级两种角度出发,结合光谱解混技术,对图像中的异常进行了更加全面地检测。提出的算法充分分析了异常局部特性和全局特性,将解混任务与异常检测任务进行了深度有机地融合,进一步提高了检测性能,使解混研究更加有意义。