طبقه بندی پیکسل های مختلط فرآیندی است که سعی دارد نوع و سهم هر یک از مولفه های خالص موجود در پیکسل ها را برآورد کند به دلیل وجود پیکسل های مختلط در تصاویر ابرطیفی، دقت طبقه بندی در این تصاویر با روش های معمول طبقه بندی کاهش می یابد. یکی از روش های متداول برای طبقه بندی پیکسل های مختلط در تصاویر ابرطیفی، جداسازی طیفی است که به کاربران امکان استخراج اطلاعات را در سطح زیرپیکسل می دهد. جداسازی طیفی شامل سه مرحله اصلی است. مرحله اول، تعیین زیر فضای سیگنال برای یافتن تعداد عناصر خالص در تصویر می باشد. مرحله دوم، استخراج اعضای خالص است که در آن مشخصه های طیفی عناصر خالص استخراج می شود. مرحله سوم یافتن مقادیر فراوانی اعضای خالص در هر پیکسل با توجه به قیدهای مدل اختلاط خطی است. این تحقیق شامل سه قسمت می باشد: قسمت اول به موضوع روش های شناسایی زیرفضای سیگنال مانند hysime، hfc و nwhfc می پردازد. قسمت دوم که تأکید بیشتر تحقیق است، استخراج اعضای خالص با استفاده از روش های پیش پردازش طیفی مکانی به همراه روش های طیفی رایج برای بهبود استخراج اعضای خالص می باشد. اکثر روش های استخراج اعضای خالص به اطلاعات طیفی تصاویر ابرطیفی پرداخته و اطلاعات مکانی پیکسل های تصویر را نادیده می گیرند. با استفاده از الگوریتم های پیش پردازش طیفی مکانی به بهبود استخراج اعضای خالص کمک می شود. قسمت سوم به برآورد مقدار فراوانی اعضای خالص به دست آمده از مرحله استخراج اعضای خالص می پردازد که از روش کمترین مربعات با قیود کامل نظارت نشده (fclsu) استفاده شده است. در پایان با ماتریس اعضای خالص به دست آمده با استفاده از روش های طیفی مکانی و مقدار فراوانی این اعضای خالص با روش fclsu تصویر ابرطیفی را بازسازی کرده و با معیار rmse میزان خطای بازسازی، برای تصاویر واقعی به دست می آید. این مقادیر نشان دهنده بهبود عملکرد الگوریتم های مورد استفاده در جداسازی طیفی می باشد.