高光谱影像分类是高光谱遥感应用的关键技术之一,对于资源调查、环境监测、精细农业、军事测绘与战场环境探测等应用具有重要意义。为了满足高光谱影像分类对精度、速度和可靠性的要求,针对高光谱影像具有的高维相关特征、非线性可分的特点,本文围绕影像分类及特征提取技术,采用机器学习方法展开了深入研究。论文的主要研究内容和创新点如下:1.针对基于乘法迭代规则的高光谱影像非负矩阵分解(NMF)收敛速度慢的问题,给出了一种基于改进投影梯度的快速分解算法。采用分块坐标下降法将NMF的整体优化转化为两个子优化问题迭代求解,而每个子优化问题都通过改进的投影梯度法计算。实验分析表明,该方法能够明显提高高光谱影像NMF的收敛速度。2.针对高光谱影像广义判别分析(GDA)特征提取中核函数参数选择问题,给出了一种高斯径向基核函数参数选择方法。将训练样本数值范围规范化,按对数形式将参数空间离散化,通过交叉验证获取合适参数。实验分析显示,使用该方法选择的参数,GDA特征提取能够显著提高高光谱影像分类的精度。3.提出了一种基于简约集(RS)支持向量机(SVM)的高光谱影像分类方法。采用序列最小优化算法、交叉验证网格搜索参数选择方法构造高精度的多类SVM分类器,通过微分进化算法求解原像问题来获取简约集向量。经验证,SVM具有良好的泛化能力,RS-SVM能够保持分类精度,有效提高分类速度。4.提出了一种基于相关向量机(RVM)的高光谱影像模糊分类方法。采用序列稀疏贝叶斯学习算法提高RVM训练速度,针对一对一法构造的多类RVM分类器,将两两配对的概率输出转化为相对于地物类别的隶属度。与SVM的比较表明,RVM参数选择简单、分类速度快;利用模糊隶属度能够标识混合像元,有效提高影像分类的可靠性。5.提出了一种基于自适应提升(AdaBoost)高光谱影像集成分类方法。选择决策树树桩作为弱分类器,通过Gentle AdaBoost算法提升为分段线性的强分类器,采用一对余法解决多类分类问题。结果表明,AdaBoost分类方法的训练和分类速度快,分类精度优于一般分类方法。6.通过理论和实验分析了SVM、RVM和AdaBoost在分类精度、训练和分类速度方面的表现,指出了各自在不同高光谱影像分类应用中的潜力。SVM适用于实时性要求不高的地物精细分类,RVM适用于获取具有统计意义的地物分类,而AdaBoost适用于分类精度要求较高的快速分类。