高光谱遥感图像具有丰富的空谱信息,极大提升了传统遥感技术的对地观测能力,被广泛应用于地质勘测、军事侦察等领域。但由于传感器空间分辨率较低、地表物质分布复杂以及光子多重散射等因素,获取的高光谱遥感图像中会存在大量混合像元,严重限制了高光谱遥感图像的应用。因此,解决该问题的混合像元分解技术应运而生,其目的是从混合像元中分解出所含地物光谱（端元）及对应的混合比例（丰度）。在目前有关混合像元分解的研究中,基于非负张量分解（Nonnegative Tensor Factorization,NTF）的解混方法具有保留图像结构信息、物理意义明确、同时获取端元和丰度等优点,因此对一种名为MV-NTF的张量分解模型深入研究,提出了两种基于MV-NTF的混合像元分解算法,具体研究内容如下:（1）提出稀疏约束的耦合非负矩阵-张量分解的解混算法。MV-NTF能避免非负矩阵分解（Nonnegative Matrix Factorization,NMF）因数据展开导致的高光谱图像结构信息丢失,但却因其低秩性和直接处理数据整体的方式忽略了局部空间信息,故在总结NMF和MV-NTF解混模型特点的基础上,提出了一种新的耦合分解解混方法。为结合不同维度空间的分解模型的优势,将MV-NTF和NMF以共享端元和丰度的方式巧妙地进行耦合分解,从而充分保留高光谱数据的内在结构信息和挖掘更多的局部空间信息。由于MV-NTF和NMF中丰度表现形式不同,额外引入了一个辅助约束项来间接地实现丰度共享,同时添加丰度稀疏性约束进一步提高解混精度。此外,耦合分解还可看作一种能够减小解空间和提高求解稳定性的隐形约束。实验结果表明耦合分解算法能够提高混合像元分解精度,更好地保持了图像结构信息和丰度细节。（2）提出双权重加权稀疏约束的非负张量分解的解混算法。MV-NTF作为一种着重于全局结构信息的低秩张量分解模型,未充分利用高光谱遥感图像中的局部空间信息,针对该问题,本文在MV-NTF解混模型中引入了双权重加权稀疏正则化项。传统的加权稀疏约束方法未有效融合光谱信息和空间信息,而本文所提出算法在利用光谱加权因子提升丰度稀疏性的同时,挖掘高光谱图像的局部空间信息来构建空间加权因子,以更好地刻画丰度细节并进一步增强丰度稀疏性。该算法首次将这种空谱双权重引入到基于NTF的混合像元分解模型中,加权因子被重新地合理设计以贴合更高维的张量形式。此外,利用双权重策略来挖掘图像空间信息,避免了额外的空间先验正则化引入的敏感参数,降低解混模型的复杂度。实验结果表明所提出算法能够有效促进丰度稀疏性,并利用图像局部空间信息刻画更多的丰度细节。