高光谱影像能够获取丰富的波谱信息的特点,促进了地物识别的进展。但是由于受到传感器的空间分辨率的影响以及自然地物的复杂性的影响,高光谱影像中不可避免地存在混合像元,这影响了地物识别的精度。而进行混合像元分解的关键在于端元提取,因此本文重点研究的是端元提取算法。首先,本文归纳了已有的基于线性混合模型的端元提取算法,对这些常用的端元提取算法进行了比较,并重点介绍了三种端元提取算法以及它们的优缺点。其中MVC-NMF算法提取的端元精度较高,并能同时获得端元对应的丰度图。但是MVC-NMF算法的抗噪能力弱,且没有考虑空间信息,这种算法仍然有提高精度的空间。其次,本文重点研究的是MVC-NMF算法的改进算法,以便提高MVC-NMF算法提取的端元精度以及抗噪能力。MVC-NMF算法是将最小二乘分析和凸面几何结合起来,用交互投影梯度算法计算来最小化目标函数的矩阵,以此同时获得端元和丰度图。但是MVC-NMF算法没有考虑像元空间排列以及丰度矩阵的稀疏特性。因此本文改进思路是以空间信息为基础的端元搜索,并通过拉格朗日方法的变量分离和扩增稀疏分解的方法,以获得更具有实效性的混合像元分解所用的端元波谱,从而进一步提高MVC-NMF算法结果的精度以及抗噪能力。最后,本文同时使用模拟数据和真实高光谱影像数据进行端元的提取实验分析,其中基于模拟数据的实验中用不同的信噪比(30db、40db和50db)、不同的窗口大小(3×3、5×5和7×7)和不同端元数目(6、7、8、9和10)分别进行了实验探究;基于真实高光谱影像数据的实验中时用不同的窗口大小(3×3、5×5和7×7)进行了对比试验,并用SAD、SID、SRMSE、AAD、AID和ARMSE六种精度评价方法对提取的端元进行精度的评价。实验结果表明:(1)MVC-NMF改进算法的抗噪能力比其它三种算法的抗噪能力更强;(2)在相同的实验环境条件下,MVC-NMF改进算法结果比MVC-NMF算法结果的精度更高;(3)MVC-NMF改进算法的运行时间与MVC-NMF算法的运行时间相近。以上三个优势证明了MVC-NMF改进算法提取端元的性能比MVC-NMF算法提取的端元性能更佳。