由于地物分布的复杂多样性和空间分辨率的限制,高光谱图像中普遍存在着混合像元现象,阻碍了高光谱遥感向定量化方向的深入发展和应用。作为解决混合像元问题的关键技术,高光谱解混已经成为高光谱遥感技术中的一个研究热点。高光谱解混根据实现方式可以分为监督解混和无监督解混两种思路。由于实际应用条件的限制,通过无监督解混方式直接从高光谱图像中获取端元光谱和丰度具有重要意义。作为一种流行的无监督方法,非负矩阵分解在高光谱解混中的应用得到了广泛关注和研究,但仍然面临易陷入次优局部极值点,解混精度受多种形式噪声干扰和处理效率欠佳等诸多难点和挑战。针对以上问题,本文重点围绕基于非负矩阵分解的高光谱遥感图像解混方法展开研究。本文的主要研究工作概括如下:（1）针对高光谱图像具有多样化稀疏性水平而单一类型稀疏性约束无法有效改善解混结果的问题,提出了 一种基于数据驱动约束非负矩阵分解的线性解混方法。通过无约束的非负矩阵分解过程对数据中各像元丰度的稀疏性水平进行有效评估后,结合l_1/2正则项和l₂正则项的约束效果对不同稀疏度的像元施加适应性的约束,进而实现了适应数据稀疏性分布的数据驱动约束非负矩阵分解用于线性解混。仿真和真实数据实验表明该方法相比现有稀疏约束解混方法具有更高的解混精度。（2）针对高光谱图像同时面临噪声波段和噪声像元的干扰而影响解混效果的问题,提出了一种基于光谱-空间维鲁棒性非负矩阵分解的线性解混方法。在光谱维和空间维两个维度上同时考虑了噪声干扰的影响,采用l_1/2范数和l_2,1范数以分别实现对噪声波段和噪声像元的鲁棒性,并引入了 Huber M估计实现更好的权重分配,在光谱维和空间维上将高光谱数据按波段和像元的重构误差划分为四个部分进行鲁棒性估计,并通过推导给出了端元光谱矩阵和丰度矩阵的乘性更新规则。实验研究表明该方法在光谱维和空间维都具有良好的鲁棒性,在噪声场合的解混表现显著优于其它解混算法。（3）在实现光谱维和空间维两维度鲁棒性的基础上,为实现适应数据稀疏性分布的丰度稀疏约束,提出了一种基于相关熵的光谱-空间维鲁棒性稀疏约束解混方法。在基于相关熵的非负矩阵分解所学习的波段权重基础上,提出了基于相关熵的光谱-空间维鲁棒性解混模型和光谱-空间维鲁棒性稀疏约束解混模型,通过半二次优化技术完成模型的优化求解。实验结果表明该方法不仅同时对噪声波段和噪声像元具有良好鲁棒性,而且实现了对丰度的自适应加权稀疏约束,有效改善了解混精度。另外,提出了一种更广泛的半二次优化下的鲁棒性稀疏约束解混框架。在该框架下,通过不同的潜在函数形式可以设计开发新的鲁棒性稀疏约束解混方法以适应不同应用需求。（4）针对核非负矩阵分解方法应用于高光谱图像常面临的计算和内存瓶颈问题,提出了一种增量式核非负矩阵分解方法。该方法对高光谱图像分块处理并增量式地加入解混过程以修正已有解混结果,在保持解混性能的同时实现对核非负矩阵分解方法的优化,有效节省处理大规模和动态获取的高光谱数据所需内存占用和计算时间。针对丰度解混精度欠佳的问题,进一步提出了一种改进的增量式核非负矩阵分解方法,通过丰度的再计算过程显著改善了丰度解混精度,同时保留了增量式核非负矩阵分解方法有效节省内存和计算资源的优势。仿真和真实实验均验证了所提出方法的有效性。