混合像元(Mixed Pixel)的存在阻碍了高光谱图像(Hyperspectral Image,HI)的应用和发展。混合像元分解技术,即解混技术,能将混合像元分解成像元中所含地物信息以及各地物所对应的丰度信息,可以有效解决混合像元存在所带来的问题。非负矩阵分解算法以其‘非负性’以及能同时分解得到端元信息和丰度信息的特点在众多解混方法中脱颖而出。非负矩阵分解算法在光谱解混过程中也存在一些问题:(1)将随机矩阵作为初始端元矩阵和丰度矩阵,使解混结果误差较大,非监督的求解方法使很多先验信息没有得到利用,造成了资源浪费;(2)最小体积约束非负矩阵分解过程中存在矩阵的求逆运算,使求解速度降低且容易造成运算错误。针对以上问题,具体研究内容如下:首先,重点研究了非负矩阵分解算法的理论以及对应的三种主要迭代方法,并分别介绍了两类约束非负矩阵分解算法,通过实验证明约束的非负矩阵分解的解混精度相较基础非负矩阵分解算法而言有所提高。其次,将先验信息应用于非负矩阵分解算法中,使非负矩阵分解能充分利用先验信息。为提高高光谱混合像元分解精度,对先验信息约束的非负矩阵分解算法进行优化,提出改进的先验信息约束非负矩阵分解算法。将本算法与其他算法分别对模拟高光谱数据和真实高光谱数据做实验,实验表明本算法确实能提高解混精度和解混效率。最后,为提高解混速度,本论文研究了盲源信号分离以及相应三种不同的梯度下降法,发现自然梯度是最佳梯度下降方向,并减少矩阵迭代过程中的求逆运算,使运算简单,因此提出了一种基于自然梯度下降的非负矩阵分解的高光谱解混。实验表明,与对比算法相比,本算法能够在不影响解混精度的前提下,提高高光谱解混的速度,节约了时间成本。