干涉高光谱图像特殊的成像原理, 使其帧内存在着大幅值且位置固定的干涉条纹, 而帧间存在着水平移位的背景图像, 这种特点会严重的破坏原始图像的固有结构, 从而导致新兴的压缩感知理论与传统压缩算法的直接应用无法得到理想的效果。 由于干涉条纹信息与背景图像信息的特征不同, 能够对干涉条纹与背景图像进行稀疏表示的正交基也是不同的。 基于这种思想, 使用MCA(morphological component analysis)算法对干涉高光谱图像中干涉条纹信息与背景图像信息进行分离处理。 由于干涉高光谱图像数据量庞大, 传统的MCA算法对干涉高光谱数据的图像分解, 迭代收敛速度慢, 运算效率较低, 故而针对干涉高光谱数据特点对传统MCA算法进行改进, 改变其迭代收敛条件, 当分离后的图像信号与原始图像信号的误差已经基本保持不变时, 即终止迭代; 并根据对应正交基能且仅能稀疏表示对应信号的思想, 对阈值采用自适应的方式进行更新, 在新的阈值更新模式中, 图像信号在不同正交基下的映射系数被计算与比较。 大量实验结果表明, 对于LASIS数据与LAMIS数据, MCA算法都能够较完美的将干涉高光谱图像分解, 改进的MCA算法更能在保持完美分解输出结果的同时, 相对于传统MCA方法显著的减小迭代次数, 更快的达到迭代收敛条件, 从而有效的提高了算法的运算效率与实时性需求, 也为新兴的压缩感知理论在干涉高光谱图像中的进一步应用提供了一种很好的解决方案。