高光谱图像包含丰富的光谱和空间信息,且具有较高的光谱分辨率,图谱合一的特性使得高光谱图像在对地遥感观测等研究领域中,表现出较高的应用价值。然而,复杂的地物分布和有限的图像空间分辨率所引起的混合像元问题,往往限制着高光谱图像实际应用的准确性。为了从高光谱图像中提取更精细的信息,为后续研究和应用提供更精确的数据参考,光谱解混成为了高光谱图像处理中的一项关键技术,旨在提取构成高光谱图像每个像元的纯物质端元光谱及其相应的丰度比例。近些年,深度神经网络在文本处理和计算机视觉等领域中得到广泛应用。其中,具有强大特征提取能力的自编码器模型使基于自编码器的高光谱图像解混备受关注。深层网络结构的应用可以生成更具代表性的数据特征,较好地提升解混精度,而大量现有的深度学习成熟框架也降低了计算成本。但是,目前多数基于自编码器的解混方法都只利用了数据的光谱波段信息,并未充分考虑高光谱图像的空间特征对解混的有益作用。针对该问题,本文将超图学习的思想与自编码器模型相结合,充分利用高光谱图像局部空间相邻像元的相似性,促进自编码器提取更准确的高阶隐层特征,从而提升解混的精确性。在此基础上,提出了两种基于超图空间表示的高光谱图像自编码器解混算法,并在高光谱仿真数据集和真实数据集的实验评估中,验证了本文所提算法对比现有相关算法的优越性。将所提出的算法进行集成,进一步完成了一套面向应用的高光谱图像自编码器解混系统。本文的主要研究内容如下:1.提出了一种基于超图正则化的高光谱图像自编码器解混算法。超图的每条超边可包含多个顶点,而不同顶点也可同时位于多条超边中,该性质可很好地表示顶点间的高阶复杂关系。本算法在以高光谱图像每个像元为中心的空间窗口中构建超边,得到表示局部空间近邻像元间丰度相似性的超图拉普拉斯矩阵,创新地实现对传统自编码器损失函数的超图正则化。更进一步引入了丰度的L1/2范数约束以加强丰度的稀疏性表达。对应于丰度的自编码器隐层特征,受到由超图结构表达的局部空间相似性以及稀疏性的共同作用,而更具有实际地物分布的空间特点,有效地提升了自编码器解混方法的精度。2.提出了一种基于超像素和超图改进的高光谱图像双自编码器协同解混方法。首先,利用超像素分割方法,将高光谱图像划分为多个匀质的不规则局部空间子区域,克服了所提出第一种算法的固定规则窗口设定下,差异较大的像元对超边构建的影响。然后,在各自像元所属的超像素内构建超边,提升解混结果中相邻像元丰度间的一致性表达。在此基础上,为了更进一步有效地改善自编码器解混网络对图像空间信息的学习,设计了一种结合超像素分割和超图空间表示的双自编码器协同解混模式。第一个自编码器使各像元向其所在超像素中构建的超边中心像元进行重构学习,得到具有高度局部相似性的初阶丰度特征。第二个自编码器则利用该初阶丰度特征构建丰度正则化项,在保持相邻像元间丰度相似性的同时增强解混的准确性。3.针对采用高光谱图像的实际工程领域中对光谱解混的应用需求,并进一步验证本文所提算法对于实际问题中的适用性和有效性,本文设计并实现了基于自编码器的高光谱解混应用系统。该系统集成了本文提出的算法,所完成的功能模板主要包括:用户登录、用户管理、数据集的上传和预处理、选择解混算法、解混算法的调用、解混结果的查看与下载等。最后分别利用真实的高光谱遥感图像以及纺织布料图像,测试并验证了该系统在遥感和纺织材料分析领域的应用价值。