高光谱图像在视觉上表现为一个立方体,不仅能够表现地物的二维空间信息,而且还拥有一个光谱维度,用来表征像元的物理属性。高光谱图像的光谱分辨率非常高,能够解决许多在多光谱条件下不能解决的问题。但是高光谱图像的空间分辨率相对有限,单个像元中可能包含多种不同的地物,这就是高光谱图像中的混合像元问题。混合像元问题是影响遥感技术定量化发展的重要障碍,因此研究和解决高光谱图像中的混合像元问题十分关键。光谱解混技术是解决高光谱图像中混合像元的重要手段,目的是为了确定像元中包含的地物种类以及它们在该像元中所占的比例,是一种更为精确的分类技术。目前,常见的混合像元模型有线性混合模型和非线性混合模型。由于线性混合模型的物理意义相对明确且模型容易建立,因此受到广大科研人员的欢迎。相比之下,非线性模型的建立和求解比较困难,因此对基于非线性模型的光谱解混技术的研究相对较少。传统的光谱解混技术大部分是基于单端元模式,没有考虑图像中存在的端元变异现象,导致解混结果并不理想。本文在研究的过程中考虑到端元变异现象对解混效果的影响,无论是在模拟数据实验中还是真实数据实验中均使用多于一条的光谱曲线来表示某种地物。高光谱图像在采集的过程中会受到噪声的影响,噪声的存在会影响高光谱图像解混效果的好坏,特别是当像元中含有较小丰度地物的时候,噪声可能会直接将这些地物的光谱信号进行覆盖,造成一定的解混误差。为了应对噪声对小丰度地物造成的影响,本文在第三章使用了一种基于分组寻优思想的混合像元分解算法,该思想首先使用一种地物的所有端元对象元进行解混处理,得到该种地物所有端元在像元中丰度系数。这样做的目的是可以充分放大每种地物的所有端元在像元中的作用,以此来降低噪声对小丰度地物可能造成的湮没现象。多端元光谱混合分析(Multiple Endmember Spectral Mixture Analysis,MESMA)方法具有较高的解混精度,但是它需要为每个像元穷尽不同地物所有端元的不同组合,因此需要的计算量也相当可观。基于分层的多端元高光谱解混算法具有将复杂问题分成几个较为简单的步骤来进行解决的特点,能够在保证较高的解混精度的前提下使解混所需的计算量相对较小。但是,基于分层的多端元高光谱混合像元分解算法在进行解混时并没有利用特定地物中的所有端元,因此解混结果不能反映特定地物在所有像元中的变异情况,解混精度并不是很高。为了应对这种情况,本文将扩展的线性模型(Extended Linear Model,ELMM)具有能够反映地物在所有像元中变异的能力融入到基于分层的多端元高光谱解混算法之中,并分别在模拟数据和真实数据上进行验证。结果表明,即便高光谱图像中所包含的地物的变异端元数量较多,这种方法的解混精度也同样较高。