高光谱遥感作为一种新型的遥感方式在近20年的发展中已经在军用和民用的多个领域发挥着重要的作用,然而如何从其产生的大量数据中快速而准确地挖掘出所需要的信息,目前仍是一个亟待解决的问题。本文针对高光谱图像数据的特性,研究了如何从高光谱数据中提取出地物类型的丰富信息以进行有效的分类。 论文首先分析了高光谱数据的特性及其对传统分类技术带来的挑战,分析了多元高斯混合模型在高光谱图像数据及线性变换后数据建模问题中的合理性。 针对高光谱数据的特性研究了高维数据下的非监督分类技术,它可作为监督分类或者解混合分析前的非监督步骤。为有效地揭示数据的概率结构和分布情况,采用了基于模型的统计分类技术,并使用了降维或特征提取这一解决高光谱数据高维问题的重要手段;研究了降维处理与后续分类方法的相互作用关系,从先降维后分类,以及同时实现降维和分类这两种方式,将特征提取方法与分类算法有机地结合起来;同时研究了利用模型选择技术进行类别数和本征维数确定的问题,提出了相应的模型选择准则。具体实现了:基于高维空间中正态假设在其线性投影子空间比在全维空间中更合理这一特性,提出了一种有机结合PCA线性变换和高斯混合建模并用EM算法求解模型的非监督分类算法;提出了针对PCA降维数据的模型选择准则PMDL,自适应地选择出了混合模型的最优成分数,从而确定了类别数。基于混合概率PCA模型,借鉴子空间法思想提出了一种同时实现降维与分类的算法,统一了这两步看似独立的过程,通过有针对性地对各类分别进行降维,实现了对数据结构更有效的分析;算法采用模型选择技术确定数据的本征维数,得到了数据更精确的降维表示;并提出了针对不同类簇判断有效降维维数的模型选择准则。 在非监督分类的基础上,针对传统监督分类方法中的有限样本问题,研究了高光谱数据的监督分类算法。主要研究了适于解决高维问题的支持向量机(SVM)方法在高光谱图像分类中的应用,分析了核函数选择及参数确定问题。在如何充分利用高光谱图像数据所包含的确定地物性质的光谱信息与揭示其空间和几何关系的图像信息方面,提出了利用Gabor滤波结合空间结构信息的SVM分类算法,在分类过程中综合利用了空间信息和光谱信息,提高了分类性能。