高光谱图像的分类技术能够更加精确的感知目标物的信息,在地质调查,精准农业,识别伪装和军事侦察等领域有着十分广泛的应用。但在现实生活的地物分类过程中,某些特定类别的特征不够显著并且会大大的造成分类器分类精度的降低。众所周知,高光谱图像是由一系列的波长带组成的一些二维图像的叠加,如何去建立不受维度的影响并且能精准分类地物的分类算法是目前研究的热门方向,本文提出了基于目标物特征的高光谱图像贝叶斯建模与分类方法,经过实验验证,分类精度大大得到了改善。本文的创新点主要是提出了数学统计特征与能量光谱特征相结合的高光谱图像分类方法,其主要内容包含以下两个部分:首先,本文提出了基于单个高光谱波段的用于对象分类的概率算法,可以获得一系列特定目标对象的高光谱图像。通过航空航拍或地球卫星的远程传感器来获得高光谱图像,但其尺寸是有限的,这可能会影响目标物分类的精度,尤其是那些缺少像素的小物体,会使得分类的精度大大的降低。其次,本文提出了根据波长域中的归一化高光谱能量函数来研究和分析特定物体的高光谱特征。特别是对那些使用经典的分类方法难以区分的目标,可以利用高光谱目标物的特征进行实验验证,结果表明确实提高了分类的准确度。高光谱图像的分类精度可以分别由生产者精度(PA)和高光谱图像的Kappa系数来表征。实验结果说明该方法可以有效地识别和验证高光谱图像中的目标物,特别是对于那些难以通过经典方法进行区分的物体。此外,我们将所提出的基于高光谱特征的目标物分类方法与传统方法进行比较,包括光谱信息散度(SID)方法和基于马尔科夫随机场的多光谱角匹配(MSAM-MRF)方法,得到的结论为所提出的基于对象的分类方法的准确性比传统的方法的准确性要高出20%。