高光谱遥感能够依据成像技术和光谱技术来获取多维数据的几何空间位置与光谱信息,从而实现对远距离地物精确探测与识别的目的。由于传感器受有限空间分辨率的影响,使得高光谱图像中包含较多的混合像元,严重影响了对各地物识别与分类的精确性。因此,如何精确地从高光谱图像中获取不同地物的分布信息是高光谱图像处理的一个重要研究方向。非负矩阵分解能够在保持原始数据不变的情况下,将一个矩阵分解成两个非负矩阵相乘的形式,其数学模型近似于高光谱线性混合情形。将非负矩阵分解应用于线性高光谱图像解混中,能够取得一定的解混效果。但在实际高光谱图像解混中,非负矩阵分解算法的缺陷在于受初始值的影响较大,求解过程易陷入局部最优,严重影响了解混精度。本文将从优化非负矩阵分解的角度出发,针对非负矩阵分解的缺陷提出相应的改进措施,以提升非负矩阵分解在高光谱图像解混中的性能。本论文的主要研究工作如下:(1)首先在已有线性高光谱混合模型的基础上做出改进,提出了扰动双线性混合模型。原有的扰动线性混合模型能够有效的诠释线性混合方式下自身端元光谱的变异性,但没有考虑实际环境下各端元之间的非线性交互作用。因此,本文在扰动线性混合模型的基础上通过引入不同地物间的二阶散射,并将非线性参数和端元矢量间的Hadamard乘积项作为端元间的非线性效应,提出扰动双线性混合模型。通过实验与其他典型混合模型进行对比分析,以验证所提新模型的适用性。(2)提出了基于稀疏约束半非负矩阵分解的高光谱图像解混算法,并应用到新提出的扰动双线性混合模型中。高光谱图像经过解混所得到的丰度具有一定的稀疏性。针对半非负矩阵分解算法在求解目标函数时极易陷入局部最优的缺陷,可将稀疏性约束引入到半非负矩阵分解的目标函数中,并采用交替迭代策略实现优化求解,获取丰度的精确估计,提升了半非负矩阵分解算法的收敛速度且不易陷入局部最优。通过仿真和真实遥感数据实验证明了算法的适用性和有效性。(3)提出了基于樽海鞘群体优化非负矩阵分解的高光谱图像解混算法。该算法是基于鲁棒线性混合模型,采用樽海鞘群优化算法取代鲁棒非负矩阵分解的乘法迭代策略以增强算法全局搜索能力,在约束空间内利用种群间的自适应控制机制随机搜索满足目标函数的全局最优解,进而求得丰度估计及非线性参数,完成高光谱图像非线性解混。通过仿真与真实遥感实验验证了算法具有更好的鲁棒性和解混精度。