不透水面是水体不能渗入到地球表面的人工地表,是城市重要的土地覆盖类型,能够直观地反映一个地区的城市化进程,其面积占比是评价城市生态环境质量的重要指标。随着城市人口的增加、生活与工作空间需求的日益增长,城市用地面积在不断扩大,不透水面占比逐步提高;与之相对,农田、草地、森林等自然用地则在快速减少。不透水面占比的增加会带来一系列的城市生态问题,如:不透水面会增大地表径流从而导致城市内涝频发;不透水面增加带来的自然地表替代效应会加剧城市热岛。因此,研究城市不透水面高精度提取对于城市生态环境、土地资源管理以及城市可持续发展具有重要意义。遥感技术的发展带来传感器空间、光谱和时间分辨率的提高,为城市不透水面的大范围、精细化、高频次提取提供了可能。传统的不透水面提取研究多集中于中低分辨率的多光谱影像（如30米分辨率的Landsat系列）,此类研究主要关注宏观尺度和时间维度上的不透水面变化,从而监测城市化进程。然而,随着城市化的加速以及人们对城市生态环境的日益关注,对不透水面的精细提取有了更高的要求。近年来,国内外发射了一系列高分辨率光学卫星,如Worldview、高分一号、高分二号等,这成功解决了不透水面提取对高分辨率的要求。但是,此类卫星都只能提供米级分辨率的多光谱影像,而多光谱影像由4～8个波段组成,无法形成连续的光谱,不能满足地物的高精度需求。与之相对,高光谱影像由数百个波段组成,可以形成地表的连续光谱,是不透水面高精度提取的理想数据。但是,由于能量守恒,在相同成像条件下,光谱分辨率与空间分辨率只能二者得一,即在单独使用一组数据的情况下,不透水面提取的高精度与高分辨率不可兼得。为了解决这一核心问题,本论文展开了基于高光谱遥感影像的城市不透水面高精度提取研究。首先针对高光谱遥感影像数据冗余和端元提取精度较低这一问题,提出了基于K维奇异值分解的端元提取优化方法。其次,针对高光谱影像的低空间分辨率特征以及实际应用中异源异时相数据难以直接融合这一问题,提出基于端元空间信息的高光谱-多光谱影像融合方法。为了提高不透水面的提取精度,提出基于融合影像的三维卷积神经网络获取不透水面的方法。最后,针对高光谱影像的低信噪比特征导致不透水面提取精度低的问题,提出基于高光谱空间特征增强的卷积神经网络不透水面提取方法。本文的具体的研究工作如下:（1）提出基于K维奇异值分解的高光谱遥感影像端元提取优化方法。针对高光谱遥感影像存在数据冗余和端元提取精度较低的问题,本文提出一种基于K维奇异值分解（K-dimensional Singular Value Decomposition,K-SVD）的端元提取优化方法。混合像元分解在数学模型上与稀疏表达理论存在一致性。本文将稀疏表达中的字典学习方法应用于混合像元分解的端元提取,以初始端元丰度为依据对像元进行初筛,从而消除部分噪声及减少数据冗余。该方法提升了端元提取精度,有助于改善不透水面提取精度。本章实验表明该方法能够将提取的端元精度提高15.1%～55.7%。（2）提出基于端元空间信息的高光谱-多光谱影像融合方法。本文基于相同地区的高光谱与多光谱影像应当具有相同端元这一假设,以高光谱模拟近红外波段与多光谱近红外波段的归一化差异作为依据,排除异源异时相数据中差异较大的区域,从而获得较为精确的高光谱端元;通过高光谱端元与多光谱丰度重建最终的高分辨率高光谱影像。该方法有效提升了高光谱影像的空间分辨率,并最大程度保持了原有的光谱特征,为后文的不透水面提取提供了良好的数据源。本章实验结果表明该方法在模拟数据和真实数据中效果最优。（3）提出基于三维卷积神经网络的融合影像不透水面提取方法。本文针对融合影像不透水面提取精度低的问题,提出一种基于三维卷积神经网络的融合影像不透水面提取方法。论文将融合影像中阴影覆盖下地物作为训练样本,通过三维卷积神经网络同时提取样本的空间特征与光谱特征进行地物分类及不透水面提取。该方法能够有效识别地物,比一维、二维卷积神经网络提取结果精度高,且比使用单数据源提取的不透水面效果更好。本章实验结果表明三维卷积神经网络的总体精度和Kappa分别为96.38%和0.9577。（4）提出基于高光谱空间特征增强的卷积神经网络不透水面提取方法。针对高光谱影像的低信噪比特征导致的不透水面提取精度低的问题,本文提出一种基于高光谱空间特征增强的卷积神经网络分类方法。论文利用相同分辨率的多光谱影像来弥补高光谱影像在信噪比上的不足,通过两组卷积神经网络分别提取两者的特征;在此基础上对特征进行融合处理,并以第三组网络作为分类器从而完成不透水面精细提取。实验结果表明该方法在佛山研究区的不透水面总体精度为95.87%,在武汉研究区的不透水面总体精度为96.24%。