高光谱图像具有较高的光谱分辨率,通常每一个像元的光谱维度能够达到几十甚至几百。但是高光谱图像的空间分辨率较低,同时由于地表物质的微观混合、多重反射、大气散射以及仪器本身等因素,使得高光谱图像普遍存在混合像元的问题,即成像光谱仪所测量的光谱信号其实是场景中多种物质反射率的混合。因此,光谱解混便成为了高光谱图像数据探索中一个富有挑战性的课题。众所周知,深度学习近年来大放异彩,在文本分类、语音识别、机器翻译、计算机视觉等领域取得了令人瞩目的成果,这主要归功于深度学习强大的拟合能力和特征提取能力。虽然深度学习已经被广泛应用在了高光谱图像分类当中,但却较少应用于高光谱图像解混。本文即利用深度学习的相关模型,设计能与光谱解混相匹配的网络结构,实现高光谱图像解混。本文首先对高光谱图像解混的相关概念进行叙述,并阐述了现有解混方法的研究现状;同时也介绍了深度学习的相关知识,总结了深度学习的优势及其在相关领域的应用。随后,针对高光谱图像解混,本文构建了两种深度学习框架下的网络架构:(1)基于光谱信息的网络架构。该架构应用了全连接的前馈神经网络,将高光谱图像的光谱信息作为输入进行解混。这一网络架构设计了特定的网络层,不仅考虑了丰度的非负性约束以及和为一约束,也考虑了丰度的稀疏性,经过网络模型参数的不断更新,能够同时获得端元矩阵和丰度矩阵。(2)基于空谱信息的网络架构。该架构在全连接神经网络的基础上,进一步结合卷积神经网络,融合高光谱图像的空间信息和光谱信息进行解混。通过考虑每一个像元的空间邻域信息,最终获得的丰度图可以表现出一定的平滑性,能更加合理的反映地物分布的特点。最后,在模拟数据集和真实数据集上进行了实验,并与其它流行的解混方法进行了对比分析,结果表明本文所提网络结构,在高光谱图像解混方面具有较好的性能。