Las señales adquiridas por sensores en el mundo real son combinaciones no lineales, lo que requiere modelos de mezcla no lineales para describir los espectros de mezcla resultantes para la distribución de los endmembers (píxeles puros). Esta comunicación discute la inferencia de la fracción de clase a través de un nuevo modelo de mezcla híbrido (HMM). HMM es un proceso de tres pasos, donde los endmembers se derivan primero de las imágenes mismas utilizando el algoritmo N-FINDR. Estos endmembers son utilizados por el modelo de mezcla lineal (LMM) en el segundo paso, que proporciona una estimación de abundancia de manera lineal. Finalmente, los valores de abundancia junto con las muestras de entrenamiento que representan las proporciones reales del terreno se introducen en una arquitectura de perceptrón multicapa (MLP) basada en redes neuronales como entrada para entrenar las neuronas. La salida neuronal refina aún más las estimaciones de abundancia para tener en cuenta la naturaleza no lineal de las clases de mezcla de interés. HMM se implementa y valida primero en datos hiperespectrales simulados de 200 bandas y posteriormente en datos MODIS en tiempo real con una resolución espacial de 250 m. Los resultados en datos simulados por computadora muestran que el método da resultados aceptables para desmezclar píxeles con un RMSE general de 0.0089 +/- 0.0022 con LMM y 0.0030 +/- 0.0001 con HMM en comparación con las proporciones de clase reales. Las imágenes MODIS desmezcladas mostraron un RMSE general con HMM de 0.0191 +/- 0.022 en comparación con la salida de LMM considerada sola, que tuvo un RMSE general de 0.2005 +/- 0.41, lo que indica que las abundancias de clase individuales obtenidas de HMM están muy cerca de las observaciones reales.