En el procesamiento de imágenes, se asume comúnmente que el modelo que rige la mezcla espectral en un píxel hiperespectral dado es lineal. Sin embargo, en muchos casos de la vida real, los diferentes objetos y materiales que determinan las firmas espectrales observadas se superponen en la misma escena, lo que resulta en una mezcla no lineal. Esto es particularmente evidente en imágenes relacionadas con volcanes, donde tanto los plumas de efluentes en el aire como los depósitos superficiales de eyección volcánica pueden mezclarse en la misma línea de visión de observación. Para abordar esta complejidad intrínseca, en este artículo, realizamos una prueba piloto utilizando Análisis de Componentes Principales No Lineales (NLPCA) como una transformación no lineal, que proyecta una imagen hiperespectral en un espacio de características de dimensionalidad reducida. El uso de NLPCA es doble: (1) se utiliza para reducir la dimensionalidad de los datos espectrales originales y (2) realiza una linealización de la información, permitiendo así el uso efectivo de enfoques lineales sucesivos para la desconvolución espectral. El método propuesto ha sido probado en dos conjuntos de datos hiperespectrales diferentes, tratando con volcanes activos en el momento de la observación. La dimensionalidad del problema espectroscópico se reduce hasta un 95% (relación de los elementos de vectores no lineales comprimidos y entradas espectrales iniciales), mediante el uso de NLPCA. Se aplica un uso selectivo de un preprocesamiento de corrección atmosférica, demostrando cómo se pueden discriminar los componentes individuales de pluma y depósito superficial volcánico, allanando el camino para futuras aplicaciones de este método.