针对基于卷积自编码进行空-谱联合的高光谱解混方法中，过度引入像元光谱之间的空间相关性导致丰度过于平滑的现象，提出一种结合注意力机制的双流卷积自编码高光谱解混方法（DSCU-Net）。首先，利用双流卷积网络分别提取高光谱图像的空间特征和光谱特征；其次，为了确保空间特征和光谱特征之间的平衡性，引入通道注意力机制对提取到的空间特征进行重加权，并对光谱特征和重加权后的空间特征进行融合；最后，使用融合后的特征进行高光谱图像重构，并将重构结果送入解混网络的主干网络中进行光谱解混。通过最小化两次重构误差进行解混网络的训练。为了验证所提方法的性能，在两个真实数据集上进行实验，并对复杂场景下算法的性能表现进行分析。结果表明，DSCU-Net能够有效减少过度引入空间相关性造成丰度过于平滑的现象，具有更好的解混性能。

高光谱检测是物质定性识别的重要手段, 光谱解混是高光谱分析识别的关键。 针对化合物或矿物混合光谱分析不准确的问题, 采用非负矩阵分解（NMF）盲源解混方法, 建立了一种基于加权NMF高光谱反射曲线的盲源解混分离方法, 用于矿物混合后高光谱的分解与识别。 假设混合光谱模型是多种组分光谱按比例组合的线性方程, 该算法以混合光谱与组分光谱基向量光谱角余弦值为初始权, 采用最小欧氏距离和重加权稀疏约束来建立组合条件从而促进解混矩阵的稀疏性, 开展方程的NMF约束迭代计算, 最终分解出矿物混合光谱的源光谱基向量和丰度矩阵。 选取化学纯的氧化铜和氧化亚铜、 碱式碳酸铜和氢氧化铜、 孔雀石和蓝铜矿三类混合物的高光谱曲线为试验对象, 经过均值化和白化等数据预处理后, 进行基于加权NMF高光谱反射曲线的盲源解混试验, 并以解混性能指数、 光谱均方根误差和光谱角距离为评价指标分析算法的解混效果。 结果表明, NMF解混方法的盲源解混效果十分明显, 在未知混合光谱先验条件基础上, 可以准确分离出源光谱特征, 样本分离精度均小于0.15。 解混后光谱与源光谱的曲线整体变化趋势相同, 保持了源光谱相似的吸收位置和吸收峰, 但是对应吸收位置存在微小偏移, 解混后光谱与源光谱在反射率数值上存在明显的差异。 对混合光谱数据加入5%～15%的高斯噪声后, 再进行基于加权NMF解混处理。 发现混合光谱解混分离的精度随着噪声增大只有微小减小, 解混后光谱角距离以及均方根误差并未发生明显的变化, 说明NMF解混算法具有较好抗噪性能, 对实测非纯物质光谱解混具有一定适用性, 可以作为矿物混合后组分识别与分离鉴定的基础方法。

高分系列卫星的发射和无人机高光谱技术的发展， 高光谱可用数据进一步扩展。 为了提升高光谱数据的精细利用价值， 高光谱影像混合像元解混成为当前至关重要的任务。 随着人工智能技术的快速发展， 深度学习理论被引入遥感图像处理领域。 自编码网络具有较强的特征提取能力， 已经开始应用于高光谱影像解混方面。 以自编码网络为基础对其结构进行改进， 提出一种深度堆栈自编码网络（DSAE）用于高光谱图像解混研究。 该网络包含两个部分: 端元识别网络（EDSAE）和丰度求解的网络（ADSAE）。 首先， 通过添加批标准化处理、 稀疏约束、 “和为一”约束以及删除网络偏置项构建EDSAE网络， 开展非监督训练进行高光谱影像端元识别。 其次， 将获取的端元光谱数据依据HAPKE非线性混合模型和LINEAR线性混合模型开展数据增强， 生成多元混合的带有丰度标签的模拟高光谱数据集。 最后， 在堆栈自编码网络基础上， 设置最后一层自编码器的激活函数为Softmax函数， 构建监督训练网络ADSAE， 把模拟数据集作为训练数据， 高光谱影像作为测试数据， 求取真实高光谱影像的丰度矩阵。 对Samson、 Jasper Ridge和Urban公共的高光谱影像开展端元识别和丰度求解实验， 基于DSAE获得的结果与传统的N-FINDR、 VCA、 MVC-NMF方法以及目前已有深度学习的方法SNSA和EndNet取得的结果进行比较。 结果表明: 对3组真实的高光谱影像开展解混， DSAE方法在端元提取方面相比于其他5种方法， 具有最优精度; 在丰度求解方面， 基于HAPKE模型生成的模拟数据集， 利用ADSAE网络开展监督训练可以成功获得3组高光谱影像的丰度矩阵， 相比于LINEAR模型和FCLS方法， 均具有最优的丰度反演结果。 DSAE方法具有较好的稳定性和鲁棒性， 为高光谱影像定量研究提供了新的思路。

随着“2020 SO身份之谜”的落幕， 空间目标的光谱表征及识别技术在空间领域感知中的地位再次凸显。 光谱表征及识别技术的突出优点是能够通过空间目标表面反射的光谱识别出其材料， 进而确认空间目标的身份及类型。 该技术在图像不具备空间分辨率的前提下， 仍然能够较准确地识别出材料， 因此通过低成本小口径望远镜进行空间目标材料表征的可行性得到验证。 在这一点上， 传统的观测手段很难做到的。 2000年， Jorgensen的博士论文在该领域内引起了广泛的关注， 从此开启了空间目标光谱表征的研究热潮。 然而， 经历了20余年的发展， 空间目标的光谱表征及识别技术在实际应用中仍然受到了较大的限制， 这与空间目标的光谱表征方式以及空间环境的复杂性和未知性有着较大的关系。 研究者们通常以地面实验室内的测量数据为依据对实际在轨目标进行表征和识别， 而空间环境的作用却导致了两种测量结果之间存在着无法被描述的差异。 光谱解混法是空间目标材料识别的主流方法， 对其原理和应用情况进行了详细的介绍， 并指出实验室测量结果与实测结果之间的差异是造成解混不成功的主要原因。 解混识别的准确率很大程度上取决于光谱数据库的完善程度， 因此在建立光谱数据库时需要重点考虑空间环境和观测几何对空间目标光谱特性的影响。 同时， 人工智能算法的引入也将大大提高空间目标光谱表征及识别的能力。 从空间目标光谱特性及分类研究、 空间目标材料表征及识别研究、 空间目标光谱的红化现象、 光谱数据库的发展情况四个方面进行了详细的综述及讨论， 分析了其中的难点和重点问题， 凝练出了一些具有参考价值的建设性意见， 希望能够给广大研究者提供便利。

传统非负矩阵分解（NMF）应用于高光谱解混时，容易受到椒盐噪声的干扰，造成解混的失败。以往的稀疏解混需要在涉及信息比较分散且易受噪声影响的空间域中寻找最优特征子集。为了解决这些问题，提出了基于空谱约束的加权稀疏柯西非负矩阵分解（SSCNMF）算法，首先采用基于柯西损失函数的NMF模型，其在抑制极端异常值方面，有着良好的鲁棒性。其次，引入自适应稀疏权重因子，提高了丰度矩阵的稀疏性。同时，加入光谱空间约束项，其中光谱因子用于测量不同光谱之间的丰度稀疏度，空间因子利用了丰度空间域的平滑性，提高了数据特征的提取效率。分别对模拟数据集和真实数据集进行了仿真实验，通过与一些经典高光谱解混算法的对比，验证了SSCNMF算法的有效性和优良的抗噪声性能。

为了克服经典协同稀疏解混算法的不足以及全变差正则项引起的边缘模糊问题, 同时考虑到稀疏性和空间信息对解混精度提高的重要性, 采用结合超像素和低秩的协同稀疏高光谱解混算法, 进行了理论分析和实验验证。该算法对高光谱图像进行超像素分割, 并对每个超像素施加协同稀疏性约束。此外使用低秩正则项代替传统的全变差正则项来利用空间信息, 选取一组模拟数据和一组真实数据进行了实验。结果表明, 模拟实验中信噪比为30dB时得到的信号重构误差为19.4, 比经典的变量分裂增广拉格朗日全变差算法提高了35%左右; 真实数据实验直观地反映出了该算法能有效地克服边缘模糊问题, 具有更好的解混性能。该研究为如何综合利用稀疏性和空间信息提供了参考。关键词: