高光谱图像解混是高光谱图像处理领域的重要研究方向,高光谱图像中包含了不同地物的地理分布信息及光谱信息,如何从高光谱图像中获取不同地物的端元光谱和丰度图成为高光谱图像的研究热点。本论文通过阅读大量的国内外文献资料,一方面分析了仿生智能优化算法的工作原理,并对仿生智能优化算法中的回溯搜索算法进行了改进,使其拥有更好的优化性能;一方面总结了不同的高光谱图像解混算法,并分析了不同解混算法的优缺点,本文从算法易于实现的角度出发,提出了一种基于仿生智能优化的高光谱图像解混算法。本论文从高光谱图像解混的研究背景及意义出发,介绍了高光谱图像的典型混合模型,总结了不同的高光谱图像解混算法,简单的对仿生智能优化算法进行了介绍,并详细的分析了回溯搜索算法的工作原理。本论文的主要工作如下:(1)对回溯搜索算法进行了改进,提出了基于种群控制因子和最优学习策略的回溯搜索算法。回溯搜索算法具有良好的全局搜索性能,但依然存在着前期收敛速度慢和后期收敛精度低的缺点。为此,本论文首先通过添加种群控制因子来控制种群的搜索方向,以此来加快算法的收敛速度和提高算法跳出局部最优的能力;其次提出了基于最优个体的学习方程,劣势群体将在最优个体的引导下进行最优学习,以此来加强算法的局部搜索能力。仿真实验证明基于上面两种改进策略的回溯搜索算法具有更快的收敛速度和更高的收敛精度,表现出更好的优化性能。(2)在已有模型的基础上提出了基于非线性反射系数p的高光谱图像混合模型。详细的介绍了已有混合模型的数学表达式和物理意义,并分析了不同模型的优缺点,在已有模型的基础上通过引入非线性反射系数p提出了一种新的混合模型。新模型假设不同波段相同位置的像素点上地物的反射光线以概率p发生非线性作用,同时以1-p的概率发生线性作用。仿真数据实验和真实遥感数据实验均证明了新模型同其他的混合模型一样具有适用性。(3)提出了基于改进的回溯搜索算法的高光谱图像解混算法。在新模型的基础上通过引入改进的回溯搜索算法来实现丰度及非线性参数的反演。在对丰度及非线性参数求解的过程中,将丰度及非线性参数求解的过程转换为目标函数的最小化过程,求解过程中通过边界控制、归一化的方法满足丰度及非线性参数的约束条件,其求解过程更加简单,物理意义更加明确。仿真数据实验和真实遥感数据实验均证明了本文所提解混算法比其他基于模型的解混算法具有更好的RMSE、RE和SAM。