混合像元分解能在亚像素级别上定量化地了解地物的光谱信息和含量信息(丰度)，是高光谱影像分析中的关键问题之一。由于影像场景复杂、同谱异物和同物异谱(端元可变性)现象普遍存在、光谱库端元数目远大于像元中含有的端元数目，再加上影像噪音的干扰，影像解混精度还亟待提高。本文的研究围绕基于空间-光谱分析的高光谱遥感影像稀疏解混方法，分别从顾及端元可变性、像元的稀疏性表示和结合影像空间信息3个方面针对性地提出了提高解混精度的方法。主要研究内容和创新点如下：

(1) 系统地阐述了基于稀疏回归的混合像元分解模型和相关算法，分析影响解混精度的因素及其规律。进一步研究稀疏解混算法中稀疏性参数的优化选择。

(2) 针对端元的可变性，提出了一种基于端元光谱束的稀疏解混方法。当利用已有的地物光谱库时，该方法首先对影像进行波段依赖的纠正以降低大气条件变化导致的地物光谱库中端元与影像中地物的特征光谱的不一致性，然后建立基于光照强度变化的端元可变性表示模型和对应的端元光谱束。当从影像中提取端元时，建立基于光照强度变化的端元可变性表示模型和对应的端元光谱束。将端元光谱束代替端元进行影像的稀疏解混，最后基于端元光谱束对解混丰度进行纠正。该方法有效地降低了大气条件变化和光照强度变化导致的端元可变性对高光谱遥感影像稀疏解混的影响，提高了解混的精度。

(3) 分析了高光谱遥感影像在基于稀疏回归的解混算法下解混丰度在地物光谱库上的分布，并根据真实丰度稀疏性的特点，提出了一种基于稀疏端元子集的高光谱遥感影像稀疏解混方法。该方法使用基于稀疏回归的解混算法对高光谱遥感影像进行初始解混，分析解混丰度在端元上的分布，通过一种自适应阈值判断方法提取显著性的丰度，将显著性丰度对应的端元组成混合像元的表示端元子集。基于该端元子集进行线性解混得到最终结果。该方法与基于稀疏回归的解混算法比，既提高了解混丰度的稀疏性、对端元识别的准确性，又提高了混合像元分解的精度。

(4) 研究了像素级结合空间信息的稀疏解混方法，提出了一种基于同质指数非一致性空间平滑性约束的稀疏解混方法。高光谱遥感影像在空间上具有一定的平滑性，然而这种平滑性在空间上并不一致。论文方法提取像元光谱的空间同质指数，利用同质指数度量影像的空间平滑度，建立基于端元丰度空间平滑性约束和稀疏性约束的混合像元分解模型和求解算法。该方法使得解混丰度不仅具有表示的稀疏性还具有空间平滑性，并且丰度的空间平滑性与影像中像元光谱的空间平滑性相符。

综上所述，论文针对高光谱遥感影像中端元可变性的问题、像元解混丰度的稀疏性特点和影像的空间平滑性特点，分别提出了顾及端元可变性的稀疏解混方法、基于稀疏表示端元子集的解混方法和基于空间同质分析的稀疏解混方法，为研究符合混合像元真实丰度分布的高光谱遥感影像混合像元分解进行了有益的尝试。