摘要：高光谱遥感以其“谱像合一”特性较传统多光谱遥感包含着更为丰富的光谱信息。但是由于高光谱影像包含的波段数众多,且波段间隔密集,各个波段之间具有很强的相关性。从某个角度讲,多而密集的波段数导致了数据冗余问题。同时,也为高光谱遥感信息获取与精细分类带来了挑战和机遇。国内外众多学者在高光谱影像精细分类方面做了大量的研究工作,尤其是将支持向量机(SVM)应用于高光谱影像分类,取得了令人满意的成果。本文将支持向量机的重要改进——最小二乘支持向量机(LS-SVM)应用于高光谱遥感分类,完成的相关研究和主要工作如下：(1)根据最小二乘支持向量机的特性以及传统的多类分类方法的缺点。提出了偏态二叉树的最小二乘支持向量机的模型,并将其应用于高光谱遥感分类中。结果表明,该模型应用于高光谱遥感分类是有效、可行的,对分类精度和Kappa系数都有明显改善。(2)针对高光谱影像波段多、数据量大的特点,提出一种基于波段子集的独立分量分析(ICA)特征提取的算法,并将其应用于高光谱分类中。实验结果证实了ICA算法在高光谱特征提取方面的优越性。同时,该算法一定程度上抑制了图像噪声对分类精度的影响,分类精度明显优于其它特征提取算法。(3)由于高光谱影像波段众多,并不是所有的波段对高光谱遥感分类都具有显著贡献。本文根据粒子群算法的较强优化性,采用粒子群算法优化最小二乘支持向量机的参数,二进制粒子群算法优选高光谱影像的波段,并将该模型应用到高光谱遥感分类。结果表明,该模型对高光谱遥感总体分类精度和Kappa系数都有所改善。