光谱解混在高光谱图像应用中起到重要作用。由于高光谱传感器的低空间分辨率特性以及地物分布的复杂性,高光谱图像中的每个像元通常包含一种以上地物的光谱信息,形成所谓的“混合像元”。“混合像元”的出现为高光谱图像的定量分析带来诸多困难。高光谱解混旨在将每个混合像元的测量光谱分解为一组端元和相应端元的丰度。近年来,非负矩阵分解（Non-negative Matrix Factorization,NMF）作为一种无监督的解混方法,受到越来越多的关注。本文围绕基于约束NMF的解混方法进行研究,针对真实高光谱图像中存在的数据不平衡问题,充分利用聚类分析方法、稀疏性表达、流形学习以及最小最大化建模方法作为工具,重点研究了基于逐聚类加权非负矩阵分解的不平衡高光谱图像解混模型与算法,以及基于权重自适应最小最大非负矩阵分解的高光谱图像解混方法。本文的主要工作与创新点如下:1.由于实际高光谱图像中目标地物分布的不平衡特性,构成不同端元的数据点的数目可能存在很大的差异。而在以往的研究中,由于NMF的统计特性,基于NMF的解混方法往往忽略了实际高光谱图像中含有的不平衡数据信息,从而导致较低的解混精度。针对上述问题,提出了基于逐聚类簇加权非负矩阵分解的不平衡高光谱图像解混方法（CW-NMF）。首先,使用K-均值聚类方法对给定的高光谱数据集进行聚类分析,获得不同端元的聚类信息。其次,基于这些聚类信息,计算不同端元所在的聚类的权重。并将较大的权重分配给含有不平衡端元的聚类,较小的权重分配给含有大多数端元的聚类。最后,将权重值扩展到整个高光谱图像数据集上,作为约束项加权到基本NMF的模型中。此外,分别引入丰度的稀疏性约束和图正则化项,进一步扩展了所提方法。仿真实验和真实数据实验表明,与现有方法相比,所提出的方法具有更好的解混效果。2.由于CW-NMF方法使用K-均值聚类方法预处理数据,其解混结果受初始聚类中心影响,存在对噪声敏感,鲁棒性差问题。为了解决上述问题,提出了基于权重自适应最小最大非负矩阵分解的高光谱图像解混方法。首先,将最小最大K-均值聚类方法应用到NMF的目标函数中优化各个簇的簇内平均重构误差,获得较好的端元矩阵和丰度矩阵,从而降低初始值对聚类结果的影响。其次,聚类方法将图像数据划分为多个聚类,每个聚类所包含的像元具有相似的光谱特性,相似的光谱特性通常意味着相似的物质结构。因此,使用获得的聚类信息显式地表征给定数据的结构信息。最后,将优化结果和数据的结构信息联合表示NMF模型。此外,该方法中权值自适应迭代更新。通过仿真实验和真实数据实验证明该算法不仅提高了解混精度,同时具有较好的鲁棒性和稳定性。