高光谱遥感图像具有上百个波段，能够提供十分丰富的地物信息，是近年来遥感图像领域的重要研究方向。高光谱图像空间分辨率较低的特点使得图像中的像元光谱普遍由多种地物光谱混合而成，给目标分类、地物识别等后续应用造成了困难，因此对混合像元进行精确解混对提取精细地物信息具有重要意义。本文方法是基于混合像元分解常用的光谱模型，从提高丰度求解算法精度或效率的角度出发，提出了改进的算法。本文的主要研究工作概括如下：　　在高光谱遥感图像降维方面，本文研究了流形学习算法：局部线性嵌入(LLE)和等距映射(Isomap)。高光谱遥感图像包含的数据量大，信息冗余，用非线性的流形学习对其进行降维，能减少运算量和运算时间。本文针对其缺点改进二者，对于LLE算法，通过改进欧式距离的方法降低局部线性嵌入对k值的的敏感程度，增强鲁棒性；对于Isomap算法，用领域距离的方法逼近流形距离，在一定程度上避免了用直线代替流形距离的缺陷，从而更好地表达了高维数据的流形结构，通过实验证明改进的局部线性嵌入算法优于等距映射算法结果，并用经典的主成分分析算法(PCA)和流形学习算法得到的降维结果同时用于解混，进行结果对比。　　在线性模型方面，本文用到了非负矩阵分解(NMF)算法，并针对高光谱遥感数据在地物分布上存在一定程度的稀疏性以及在像素间存在的空间关系这两个特点，在NMF的目标函数中加入稀疏性限制和平滑性限制，为了提高算法的效率以及加快收敛速度，减少运算时间，用到了最优梯度算法(NeNMF)进行优化计算，通过采用高光谱遥感图像进行分类实验，结果表明，提出的算法对混合像元分类精度有所提高，起到了提高分类准确度的效果。　　在非线性模型方面，首先分别用单个约束最小二乘算法对高光谱遥感数据进行分类，得到分类结果。然后将非线性引入最小二乘算法中，提出了一种非线性混合像元分解方法。将非负约束和全加性约束同时施加于非线性模型上，最终用具有收敛速度快等优点的非线性最小二乘算法L-M得到最终的丰度，实现高光谱遥感图像的分类，并通过单个的约束最小二乘和全加性最小二乘算法验证了算法的可行性和有效性。