海冰是极地以及高纬度海域海洋灾害的最重要成因之一,因此对海冰检测具有重要意义。与传统海冰检测手段相比,高光谱遥感具有连续的光谱信息和丰富的空间信息,可以同时获取海冰影像以及光谱曲线,有利于对海冰类别等信息进行检测。高光谱遥感数据在获取丰富的空间信息和光谱信息的同时,高维度、高冗余造成的数据量剧增给高光谱海冰图像处理带来困难。因此,为了达到数据处理效率和海冰检测结果的平衡,需要在海冰图像分类检测前对原始高光谱海冰数据进行降维处理。相较于基于特征提取的数据降维方法,基于波段选择的数据降维方法在一定程度上能够更好地保留高光谱波段的原始物理意义,因此我们使用波段选择方法进行数据降维。在数据降维过程中,信息量越大的波段对海冰检测越重要,因此要选择信息量大的波段,同时由于波段的高冗余性,还需要考虑选择的波段集合中波段之间的相关性,因此如何在波段选择的过程中选择信息量尽可能大,并且波段之间相关性低的最优波段组合,是高光谱海冰图像数据降维的一个关键问题。基于高光谱海冰图像的光谱信息进行海冰分类检测时,达到最优检测性能的前提条件是不同类别的海冰在光谱维上是不相同的、可分的,而相同类型的海冰则相反。但是由于海冰自身的物理特性以及海冰分布的环境因素影响,在特定情况下,遥感数据会出现光谱混淆的现象,此时本文考虑引入另一个重要特征——表面的纹理特征与光谱特征结合分类,实现功能互补,提升海冰分类检测精度。针对上述研究内容,我们提出了一种改进的相似性度量方法对高光谱数据进行降维处理,并且针对光谱混淆的现象探讨了图像纹理特征在高光谱海冰分类中的应用,具体工作内容如下:1)详细介绍了高光谱图像数据降维的基本原理和具体过程,为了实现最优波段组合内信息量和波段间相关性的平衡,提出了一种基于线性预测的改进相似性度量的方法对高光谱数据进行降维处理,而后基于支持向量机分类算法对已经选择出的最优波段集合进行海冰分类检测,测试该方法在分类检测方面的性能。实验结果表明:基于本文提出的方法对高光谱数据进行降维处理后,相较于其他传统海冰检测方法在总体上具有更好的性能,该方法可以更有效地对数据进行降维以应用于高光谱海冰检测。2)针对高光谱海冰检测中出现的光谱混淆、错分的现象,引入图像纹理特征参与海冰分类检测。由于不同类型的海冰其表面会表现出不同的纹理特征,为纹理特征参与分类提供可能性。本文使用在纹理特征提取方法中具有突出性能的灰度共生矩阵方法来提取高光谱海冰图像中不同类型海冰的纹理特征,并对比分析了不同的纹理特征的表征方式与意义。将与纹理信息相结合的海冰分类检测和只使用海冰光谱信息进行分类检测的方法做了对比分析,实现结果表明:与纹理信息相结合进行海冰检测分类能够获取相对较优的分类效果,对解决光谱混淆导致的错分问题有一定的指导意义。