稀疏解混作为一种重要的高光谱图像混合像元分解方法，通过在大型公共光谱库中搜索目标遥感图像的组成端元特征和其对应丰度来完成解混任务，而融合空间信息的稀疏解混方法已成为目前的重点研究方向。非局部信息作为高光谱图像的重要空间信息可以更为全面地映射出目标图像的空间特性，在高光谱解混领域也逐渐获得了一些关注。但目前的融合空间上下文信息的稀疏解混方法在模型构建上会出现比较复杂的约束项，从而增大求解的难度。对于这一问题，本文首先将非局部空间信息与加权稀疏模型结合得到了一种非局部加权稀疏解混模型，它在融合非局部信息的前提下并未增添太多的复杂度。在这一模型的前提下，针对稀疏解混方法以及目前方法的非局部空间信息利用率存在的一些问题，本文提出了两种解决方案：
　　首先，稀疏解混方法中用到的大型光谱库中的地物光谱具有高度的相关性，其对某一高光谱图像数据进行处理时仅需要其中少量的光谱特征。针对这一问题论文提出了一种融合非局部权值的谱库自适应稀疏解混算法(NLW-SLASU)，算法的中心思想在于对经过超像素分割后得到的同质区域的利用。由于同质区域中的所有像素具有相似的构成元素，可以共享相同的光谱特征组合，论文提出了一种谱库修剪框架，称作SLP，它通过对粗尺度下的高光谱数据进行预解混来自适应地划分谱库子集。然后，根据同质区域中的像素具有一定相似性的特点，将相似像元的目标区域划分为像素的同质区域。实验结果表明了所提出框架和算法的可行性和有效性。
　　其次，目前的融合非局部空间信息的高光谱图像处理方法普遍选择在目标像素的邻域系统内搜索其相似像素点，虽然提高了计算效率，但却没有充分利用到图像中的整体空间信息。针对这一问题，论文提出一种基于全局搜索和并行优化的非局部加权稀疏解混算法(PG-NLWSU)，算法首先通过在全局范围内搜索每个像素的相似点来构成相似像元组，然后对得到的相似像元组进行奇异值分解来去除其中包含的细小噪声，最后基于组内像素与原像素的相似程度进行加权重构来组成非局部相似权值矩阵。算法在提取完整图像空间信息的同时并未带来过高的平滑度，为了降低算法运行时间，论文将基于CUDA的并行计算集成到算法非局部信息搜索中。在不同数据集上的丰度实验结果证明，相比于对比算法，PG-NLWSU具有更高的稀疏度以及更精准的解混能力。
　　综上所述，本文在加权稀疏模型的基础上融入非局部空间信息，从而获得了低复杂度的空间稀疏解混模型。提出的谱库修剪框架具有一定的普适性，且对非局部信息的提取有一定的促进作用。此外还测试了全局搜索和并行计算的交互能力，结果表明算法在提高信息利用率的情况下并未增添过多的计算负担。