本文提出了一种基于神经元的半二次优化技术的高光谱分离模型，旨在解决纯度未知和谱带噪声情况下的分离与去噪问题。结合深度学习与物理原理，提出了AE-RED框架，显著提升了混合分离性能。此外，研究生成了真实数据集，验证了非线性解混和物质组成估计的方法，并提出了基于生成对抗网络的高光谱解混框架，增强了丰度估计的鲁棒性和一致性。

通过推广多尺度空间正则化方法，提出了一种噪声鲁棒的解决方案，能够处理端元变异并确保丰度估计的稀疏性。实验结果显示其鲁棒性和一致性优于其他方法。