随着遥感技术朝着“三全”（全天候、全天时和全球观测）、“三高”（高空间分辨率、高光谱分辨率和高时相分辨率）和“三多”（多传感器、多平台和多角度）方向迅猛发展，人们获取越来越庞大的遥感信息。然而目前遥感信息的利用水平远远落后于遥感技术的发展，因此研究新的理论和方法分析和处理遥感信息具有十分重要的意义。在高光谱遥感影像分类领域，存在数据冗余和维数灾难问题，降维是一种重要的预处理方法。高光谱影像具有非线性特性，流形学习方法可以更好地挖掘高光谱数据的非线性结构，提高数据分析的性能。支持向量机是核变换技术的代表算法之一，具有精度高、运算速度快、泛化能力强等优点，广泛应用于遥感数据处理的各个方面。在此基础上，针对高光谱遥感影像分类过程中面临的实际问题和影像数据本质特性，本文将流形学习、双支持向量机、半监督学习和集成学习等理论应用于高光谱遥感影像分类，主要研究工作如下：
　　（1）构建高光谱影像数据样本可信度模型，研究鲁棒性监督特征等距映射降维方法。
　　针对高光谱遥感数据集中不可避免地存在不同程度和形式的噪声干扰问题，定义高光谱影像数据样本可信度，构建高光谱影像数据样本可信度模型，采取加权迭代最小二乘法求解且构造权值函数时引入鲁棒性估计，提出数据样本可信度算法，从而解决样本是奇异值或噪声可能性大小问题。针对高光谱遥感影像波段多、光谱分辨率高、波段间相关性强，数据冗余度高、维数灾难和影像噪声等问题，嵌入数据样本的局部信息、类别信息和可信度信息，定义三重测地距离的相似性度量，证明三重测地距离拟合性，计算新的最短距离矩阵，采用多维尺度变换和广义回归神经网络分别构建训练样本和测试样本的嵌入坐标，提出鲁棒性监督特征等距映射降维方法和流程。
　　（2）提出高光谱影像几何平均模糊隶属度度量方法和基于类别分布的类间分离性度量方法。
　　从类内关系和类间联系两个角度来描述高光谱遥感影像数据降维后的分离性特征。利用影像数据样本与所属类别几何中心的距离及样本之间的紧密程度，定义几何平均模糊隶属度度量方法，分析几何平均模糊隶属度度量方法的性能。依据影像数据类中心间的距离和类别分布情况，构造基于类别分布的类间分离性度量。分离性特征为构造性能优良的高光谱影像分类器提供有效依据。
　　（3）研究基于模糊双支持向量机的高光谱影像分类方法。
　　针对高光谱遥感影像大数据量及数据噪声问题，对于不同样本赋给不同的模糊隶属度，首次提出线性模糊双支持向量机模型和非线性模糊双支持向量机模型，研究了基于模糊双支持向量机的线性多类分类器和基于模糊双支持向量机的非线性多类分类器。
　　（4）研究基于类别分布的类间分离性度量决策树高光谱影像分类方法。
　　针对高光谱遥感决策树支持向量机的结构缺陷问题，以基于类别分布的类间分离性度量为准则，利用遗传算法自适应地生成最优（或较优）决策树，深入研究结合支持向量机和K近邻的有效节点分类器，构建了决策树的基本框架和算法。
　　（5）研究基于谱空特征半监督协同学习高光谱影像分类方法。
　　针对高光谱影像小样本和“同质异谱，同谱异质”等问题，首先构造二值分类支持向量机的后验概率输出和多值分类支持向量机后验概率输出，利用灰度共生矩阵提出一种扩展的纹理特征提取方法，然后在协同学习框架下，将光谱特征和空间纹理特征两个独立视图结合起来，利用概率输出支持向量机作为基分类器，构建谱空特征联合的协同学习算法。
　　（6）提出基于几何平均精度加权投票的多分类器集成方法。
　　针对复杂、多样的高光谱影像特性，首先研究高光谱遥感影像分类器集成学习框架，然后根据高光谱影像分类混淆矩阵中Kappa系数和用户精度的优势，定义几何平均精度，最后在经典投票法的基础上，利用高光谱影像分类器之间的差异性和互补性，构建基于几何平均精度加权投票多分类器集成模型，设计多分类器集成算法的流程。