相比于多光谱图像和全色图像,从高光谱图像中不仅可以获得图像上每个像素点的光谱数据,还可以获得任一个谱段的空间影像信息,因此可以更有效地对地物进行分析和识别,在地质勘探、海洋资源普查、战场环境侦测等民用和军事领域具有广阔的应用前景。但是混合像元的存在是扩展高光谱遥感应用场景面临的重大难题。混合像元分解问题引起了广大学者的关注,目前已发展出了众多理论和方法。其中,贪婪类解混算法是通过贪婪迭代的方式寻找混合像元的端元支撑集,然后通过最小二乘法估计出丰度系数。该类算法具有解混精度高、速度快的优点。本文主要对其进行了深入研究,主要内容如下:1.针对单路径搜索算法容易在端元选择过程中陷入局部最优的问题,提出了一种基于多路径搜索的A星联合正交匹配追踪算法。该算法首先将高光谱图像进行分块处理,针对每个高光谱图像子块,在选择端元的过程中,A星搜索将建立一棵通过节点表示光谱库中端元的搜索树,依据最佳优先原则,利用代价函数在搜索树的所有路径中选出最好的一条,并对该路径进行扩展。在搜索树的路径扩张过程中,使用了剪枝和路径替换等多个策略来降低计算的复杂度。待满足搜索截止条件后,算法停止迭代,并将代价最小路径上的端元作为该图像子块的端元集合。最后,将所有图像子块的端元支撑集合并作为完整图像的端元支撑集,并通过最小二乘法重构丰度图像。对A*SOMP算法分别进行了模拟图像实验和真实图像实验,实验结果表明,与参与对比的其它算法相比,本文提出的A*SOMP算法具有更高的解混精度。2.通过深入分析高光谱图像相邻像元之间的空间相关性,提出一种基于空间相关性约联合子空间追踪的高光谱图像解混方法。算法采用分块策略将高光谱图像分块处理。在每个图像子块的子空间追踪算法的端元选择步骤中,先通过初步测试选择合适的端元加入端元集合,再按照结合空间相关性约束的残差最小准则对已存在于端元集合中的端元进行再次检验,剔除其中的冗余端元,保证当次端元集合相对于当前高光谱图像残差是最优的。在丰度估计中将图像块的端元集合合并作为整幅图像的端元支撑集,通过求解非负性约束的最小二乘法获得重构的丰度图像。模拟图像和真实图像实验结果表明,与其它算法相比,本文算法提取的端元集合更加精确,具有更好的解混精度和抗噪性能。