高光谱遥感技术快速发展并被广泛地应用于各个领域。然而，由于高光谱图像的空间分辨率通常是数米或数十米，而实际地物确具有复杂的空间分布，从而导致一个像元内包含多种地物，就形成了混合像元。混合像元的存在会影响到高光谱图像的实际应用，而混合像元分解是一个行之有效的方法。随着高光谱混合像元分解研究的不断深入，真实高光谱图像中的先验知识是可以获得的，而且高光谱数据中含有大量的二维空间信息，表现出了丰富的空间相关性，空间信息成为了一个非常重要的辅助信息，因此基于空间辅助信息对解混算法进行了研究。
　　针对高光谱图像中先验信息和空间辅助信息利用不充足的问题，本文提出了基于空间信息与先验信息的线性高光谱解混方法，将已知地物间存在的互斥关系作为先验信息应用到解混中，再设定一个结构元素来充分的利用高光谱图像的空间信息，并在平滑约束非负矩阵分解解混得到的第一次解混结果基础上，利用先验互斥信息和空间结构元素来确定每个含有互斥端元混合像元中不含互斥端元的端元子集。在各个像元端元集合已知的条件下，基于全约束线性解混模型，进行含有互斥端元混合像元的二次解混来估计每个像元中各端元的丰度，使得解混结果更接近真实情况。将提出的算法在所构建出的两个模拟数据集和两个真实的真实数据集Urban和JasperRidge上进行实验验证，并与经典4种高光谱解混算法进行了对比实验分析，实验结果表明，本文算法得到的平均均方根误差值相比其他的对比算法有所减小，尤其是在Urban场景中互斥端元中的树的均方根误差值相比第一次解混值减小了0.025，因此相比较于其他几种算法在模拟高光谱数据集和真实高光谱数据集的丰度反演中都具有更好的表现。