最近，高光谱成像技术的进步以及飞速发展，不仅引起了遥感界的极大兴趣，同时在精准农业、医学检测、资源勘探、环境监测、灾害预警、目标侦察等民用和军事领域应用研究中也取得了良好的发展与突破。目前，高光谱数据的应用呈现出基于人工智能技术的高光谱数据处理、分析与应用等趋势，高光谱成像技术的进一步突破以及应用研究需求的牵引将会更好地推动高光谱数据应用领域的创新与发展。本文以高光谱数据为主要研究对象，从特征提取方面着手提出了栈式自编码器和BP神经网络结合的SAE-BP深度神经网络模型，针对学术研究领域内的回归预测和分类两大基本问题分别建立模型并将其成功应用到土壤温度预测和农作物种类识别的领域。本论文研究的主要内容有三个部分。
　　本论文在基于对机器学习方法理论研究的基础上，结合高光谱数据的特点和面临的挑战，针对如何建立更加有效的特征提取模型，进行深入的分析研究，主要工作内容如下:
　　(1)首先介绍了目前高光谱数据应用的课题背景以及研究目的和意义，分析了机器学习算法在特征提取方面的国内外研究现状及其应用情况，为基于栈式自编码器的特征提取方法提供理论依据。本文针对高光谱数据的特点以及面临的挑战提出了SAE-BP深度神经网络混合模型，并进行原理解释和算法实现。SAE-BP模型是基于栈式自编码器和BP神经网络的高光谱数据特征提取方法，充分利用栈式自编码器强大的特征提取和表征能力以及BP神经网络良好的自学习和泛化能力，将无监督学习与监督学习相结合。本文对目前机器学习领域回归预测和分类两大基本问题分别建立SAE-BP模型并将其成功应用到实际生产生活中。
　　(2)针对回归问题，通过建立基于光谱特征的SAE-BP土壤温度预测模型对土壤温度数据集目标区域像素的土壤温度进行预测，并探究SAE-BP模型的结构和参数对预测准确率的影响。实验结果验证了SAE-BP模型在土壤温度预测任务中的有效性。此外，对SAE-BP模型结构和参数的调整和寻优的研究表明，在有限范围内增加栈式自编码器隐含层深度，增加有标签样本数据的输入，会更大限度地提高SAE-BP模型的预测精度。
　　(3)针对分类问题，分别建立基于光谱特征、空间特征以及空-谱联合特征的SAE-BP农作物种类识别模型对IndianPines数据集目标区域像素的农作物种类进行识别，通过设置多组对比实验去验证SAE-BP模型的有效性并探究SAE-BP模型结构和参数对分类准确率的影响，实验结果验证了SAE-BP模型在农作物种类识别任务中的有效性。值得一提的是高光谱数据具有“图谱合一”的综合性成像特征，本文提出的基于空-谱联合特征的SAE-BP模型结合光谱信息和空间邻域像素具有局部同质性的空间域相关性特性，大大提高了农作物种类的识别精度。通过对SAE-BP模型的参数包括主成分数、邻域窗口大小、栈式自编码器和BP神经网络内的隐含层数进行的网格搜索式寻优过程，最终获得最优的SAE-BP农作物识别模型。此外，在与经典的CNN深度学习模型进行比较时，SAE-BP模型显示出更强大的可解释性和普适性。