通常，多光谱和高光谱遥感图像是以像元为单位来检测和获取地物信息。由于遥感图像空间分辨率的限制，一个像元往往覆盖几十甚至几百平方米的地面范围，在其中可能包含着多种地物类型，这就形成了混合像元。混合像元问题不仅影响地物的识别和分类精度，而且是遥感技术向定量化发展的重要障碍。如果通过一定方法，找出组成混合像元的各种地物种类的比例，则可解决混合像元问题，提高定性和定量遥感精度。混合像元的精确分解在基于多光谱和高光谱遥感图像的高精度地物分类以及地面目标的检测和识别方面有重要应用价值。本文针对这个问题作了大量研究，创新内容主要包括以下几部分： 1．本文提出一种新的遥感图像混合像元分解方法，通过最小化一种带约束条件的能量函数，可实现多通道遥感图像中混合像元更精确的分解。本文针对所提议的算法进行了模拟和实际数据的实验验证，并将结果与BP神经网络的分解结果进行了比较，结果表明，本文所提出的带约束条件的能量函数最小化方法在分解准确性和抗噪声能力方面要明显优于基于BP神经网络的分解方法。 2．本文提出一种实现多通道遥感图像混合像元盲分解的方案，该方案可以不依靠地物光谱数据库或图像中纯地物像元的信息，通过非负矩阵分解(NonnegativeMatrixFactorization，NMF)的方法来达到分解混合像元的目的。文中提出用主成分分析法(PrincipalComponentAnalysis，PCA)来确定遥感图像中端元(Endmember)的数目，并在NMF算法迭代过程中引入各端元百分比之和为一的约束条件。模拟和实际数据的实验结果表明，文中所提议的混合像元分解方案有非常好的分解准确性。 3．本文提出了一种改进的非负独立元分析(IndependentComponentAnalysis，ICA)方法。传统的ICA算法可以通过观测到的信号序列X和混合模型X=A×S求得独立源信号S，但在一些情况下，S或X，或两者都是非负的(如数字图像)。MarkD．Plumbley于2003年提出了一种非负的ICA算法，该算法假设源信号独立，通过对观测信号预白化得到Z，再找到旋转矩阵W，从而保证Y=W×z为非负，较好地解决了这样的问题，但对于源信号相关程度较大的情况不能适用。本文在深入分析该算法的基础上对该算法进行了相应的改进，通过引入去相关矩阵R，对于即使相关程度较大的源信号，也可以将其较好地进行分解，并将该算法应用于混合像元盲分解。实验结果证明，改进后的算法是简单有效的。