空谱信息是高光谱遥感影像的特征信息,利用高光谱遥感技术可同时获取探测区域的空谱信息,该技术广泛应用于地物分类、目标探测、军事安全等领域。然而由于获取高光谱图像仪器精准度不足及探测区地物多样,造成获取的高光谱图像中存在大批混合像元,混合像元问题会限制高光谱遥感图像的信息利用率。因此,解决混合像元问题是高光谱图像信息化处理的重要环节,也是国内外研究者的重点研究方向。解决混合像元问题最有效的方法就是对混合像元进行分解,分解得到混合像元中所包括的端元及各端元丰度占比。现有的稀疏解混方案大多从高光谱图像的光谱与空间维度两方面展开研究,但存在丰度的稀疏性表征不充分及信息利用率低等问题,在一定程度上限制了解混的性能。基于此,本论文提出两种高光谱图像稀疏解混模型。具体研究内容如下:（1）提出了光谱加权协同稀疏和全变差正则化的稀疏解混算法（RCLSUn SAL-TV算法）。传统的稀疏解混方法仅利用了高光谱图像的光谱信息,忽略了图像包含的丰富空间特征信息。为深度挖掘高光谱图像的空间信息,该算法在_2,1协同稀疏解混模型的基础上,引入各项异性全变差空间正则化促进图像同质区域的平滑性,同时引入光谱加权因子进一步刻画丰度系数的行稀疏性,以促进所有像元之间的联合稀疏性,达到提高解混精度的目的。模拟和真实的高光谱数据实验结果均表明该算法与现有同类算法相比能大幅提高混合像元分解的精度,在稀疏解混方面展现出了巨大的潜力.（2）提出了光谱加权协同稀疏和图正则化高光谱解混算法。针对传统的稀疏解混算法对图像空间信息利用不充分问题,提出了一种联合稀疏回归与图正则化的解混模型。该模型基于_2,1协同稀疏与图正则化框架,一方面引入图正则化项挖掘高光谱图像的高维空间信息,充分利用高光谱数据间的流形结构;另一方面利用光谱加权因子增强识别光谱库中端元的能力。实验结果表明,该算法可以保留丰度图像更丰富的空间特征信息,提升丰度估计结果的精确性。本文针对传统高光谱稀疏解混算法中存在的丰度系数稀疏性表征不足以及空间信息利用不足等问题,提出了两种高光谱遥感图像混合像元稀疏分解算法,并通过实验证明了所提算法的可靠性,进一步提升了高光谱遥感混合像元分解的精度。