高光谱遥感技术是地球观测体系中的重要一员,是遥感技术发展的前沿领域。近年来随着高光谱传感器的不断升级换代,高光谱数据的空间分辨率与光谱分辨率不断升高。这为高光谱遥感数据处理带来了沉重的压力,使得高维空间特征提取技术成为了高光谱遥感数据预处理必不可少的一环。本文欲将一类新型的具备非线性特征提取能力的特征提取方法,流形学习方法,引入高光谱遥感处理中。该类方法结构简单,所需输入参数少,对参数精度依赖度低,并能保证全局最优解,但计算复杂度高,难以处理高光谱传感器带来的海量数据。为了克服这一困难,本文综合分析了两类流形学习方法(全局法与局部法),以其中两个代表性方法为例(等角特征映射法与拉普拉斯特征映射法),建立了统一的流形学习算法架构。在该架构中,分别从近邻搜索和低维坐标解算两个计算复杂度最高的环节入手,先后提出和引入了光谱角敏感哈希森林方法和尼斯特罗姆方法,建立了新的流形学习算法架构,以改进流形学习方法的计算效率。本文不仅从理论上证明,更在实际数据实验中验证了这两种方法与传统相同类型算法相比在计算效率上的优势。为了验证新算法架构的实用性,本文采用了三组基准测试数据,在流形学习特征提取的基础上进行聚类和分类实验,并与主成分分析法的提取结果进行比较。经过详细的比较和参数分析,实验结果表明,新算法架构下的流形学习方法不仅在聚类/分类应用中对主成分分析法保持稳定的优势,在之基础上的聚类/分类结果更加超过了直接在原始数据上的聚类/分类精度。