高光谱图像具有丰富的光谱信息,因此也具有更高的分辨能力。当然,丰富的光谱信息也给高光谱数据的处理带来了非常复杂的问题,例如高光谱数据处理时间复杂度很高等,而稀疏表示理论应用于高光谱遥感图像目标识别具有识别率高、处理速度快等优势,并且稀疏表示不需要对样本分布进行统计和假设,在稀疏表示模型可以随着应用场景的变化在目标函数中添加不同的限制条件,从而极大的增大算法的适应性,因此稀疏表示已经被广泛的应用于高光谱遥感图像处理方面。本文主要是利用稀疏表示理论对高光谱遥感图像进行目标识别,采用了三个实际高光谱遥感图像进行稀疏表示方法的识别实验,并且与支持向量机和随机森林方法进行对比,验证稀疏表示应用于高光谱遥感图像识别的有效性。论文的主要研究内容如下:(1)首先分析了稀疏表示算法目前常用的理论方法,针对现有方法存在的重构残差大和字典原子设置的问题,结合KSVD和LARS算法,提出了一种改变字典长度的特征字典训练方法。该算法可以很好的解决OMP算法计算步伐太大、侵略性太强的问题,也可以很好地避免字典原子数量设置的问题。(2)对稀疏特征识别算法进行了研究分析,提出了一种基于稀疏表示的最大稀疏识别算法。该算法通过模拟人脑神经元,利用特征字典和训练样本之间的相关性进行识别。并通过实验结果证明了该算法优于SVM和随机森林方法。(3)针对噪声会对信号的光谱特征造成很大的影响,提出了一种基于稀疏表示与多尺度信息的高光谱图像目标识别算法。由于传感器和自然界的一些干扰,会影响稀疏特征和样本之间的相似性,因此单纯利用光谱特征进行识别很容易造成误检和漏检,考虑到高斯变换可以去掉信号的某些噪声,所以使用多尺度信息可以很好的预防该类问题的发生。