高光谱图像因其丰富的空间信息和光谱信息被广泛应用于多个研究领域,然而获取的高光谱图像中存在着大量的混合像元,这严重影响了高光谱图像的应用及发展。因此高光谱图像解混是高光谱图像应用必不可少的一步。高光谱图像解混是指从高光谱图像中的混合像元中提取纯物质特征（端元）并确定它们所占比例（丰度）的过程。从高光谱图像的空间信息和光谱信息出发,可以建立起基于空谱信息的高光谱图像解混模型,该模型充分利用了高光谱图像的三维信息,很大程度上提升了解混的精确性。然而,基于空谱信息的高光谱图像解混模型未能充分考虑高光谱图像的其它物理性质,容易受到噪声的影响。因此,针对上述问题,本文在基于空谱信息的高光谱图像解混模型的基础上,充分考虑了高光谱图像空间相关性、丰度矩阵稀疏性和噪声的影响,提出了一些新的解混方法:1.提出了一种新的基于促进丰度稀疏（ATNMF）的高光谱图像解混算法,该方法充分利用了高光谱图像的空间相关性和丰度矩阵的稀疏性。首先,利用原始高光谱图像中相邻像元的光谱值差作为权重,用梯度模型来描述高光谱图像的空间相关性。其次,利用arctan函数促进丰度矩阵的稀疏性约束,通过每次迭代改变参数的值,使得Lipschitz连续的arctan函数值逐渐逼近l0范数,避免了目标函数陷入局部最小值,使求解过程高效稳定。2.提出了全变差Cauchy非负张量分解（TV-CNTF）高光谱解混算法,该方法很好的保留了高光谱图像的空间结构信息,充分利用了丰度张量的分段光滑性,同时减少了噪声对高光谱图像解混性能的影响。非负张量分解的解混模型能很好地保留高光谱图像的空间结构信息,在这一框架下,利用Cauchy损失来代替传统的最小二乘损失,通过减小噪声点在解混模型中的权重,来降低噪声对解混结果的影响,同时在模型中加入了全变差（TV）算子,保证了丰度张量的分段平滑结构,提高了丰度估计的准确性。3.提出了基于一般损失的全变差非负张量分解（TV-GLNTF）算法,该方法在TV-CNTF方法的基础上,将其中的Cauchy损失函数替换为一般损失函数,保留了高光谱图像的空间结构信息和解混的抗噪性能的同时,通过调节一般损失函数中参数的值得到不同的损失函数,能在更加复杂多变的噪声环境下提高高光谱图像解混的性能。对所提方法在模拟和真实数据集中进行实验,对比现阶段性能较好的解混方法,发现新方法无论是从目视效果还是定量指标都优于其它方法。