La desmezcla hiperespectral (HU) es una técnica clave para resolver píxeles mixtos y caracterizar componentes de la cobertura terrestre. Aunque la descomposición profunda de matrices no negativas (DNMF) tiene un desempeño sobresaliente en HU, los métodos existentes se enfocan principalmente en modelar la abundancia, ignorando la extracción de características multinivel de los endmembers y mostrando capacidad insuficiente para la representación no lineal, lo que limita la precisión de la desmezcla. Por ello, este trabajo propone un marco DNMF basado en el análisis jerárquico de endmembers, introduciendo una restricción de ortogonalidad intercapas en el subespacio de endmembers y una regularización dinámica dispersa para refinar la abundancia. Primero, mediante una descomposición multinivel de endmembers se mejora la expresión de características no lineales del espectro; segundo, se diseña un mecanismo de ortogonalidad guiado por la distancia mínima para mejorar la separabilidad de los endmembers, que colabora con una estrategia de dispersión ponderada dinámica para mejorar la coherencia espacial de la estimación de abundancia; finalmente, se construye un algoritmo de optimización jerárquico de dos etapas con inicialización gruesa preentrenada y ajuste fino de retropropagación entre capas. Experimentos en dos conjuntos de datos sintéticos y cuatro reales muestran que el método logra un SAD entre 0.0042 y 0.0782 y un RMSE entre 0.0140 y 0.0925 bajo diferentes relaciones señal-ruido, superando a los métodos de comparación en un 1.42% a 5.64% y 1.87% a 6.48%, respectivamente, validando su precisión y robustez.

desmezcla hiperespectral; descomposición profunda de matrices no negativas; discriminación de endmembers; restricción de ortogonalidad; regularización dispersa jerárquica