支持向量机是统计学习理论框架下产生的一种有效解决“Hughes”现象的学习方法。它以结构风险最小化为原则,集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等技术,克服了传统学习机的局部最小、维数灾难和过学习问题,表现出很多优于已有学习方法的性能。但是这种分类器仍存在一些不足之处:计算复杂;内存需求量大;难以用于大规模高光谱遥感影像数据分类。本文提出将超球体多类支持向量机及其改进算法——最小二乘超球体多类支持向量机和半模糊最小二乘超球体多类支持向量机用于高光谱遥感影像分类中,并获得了较好的分类效果。　　 本文的主要工作如下:　　 第一,深入研究了机器学习,统计学习理论以及支持向量机发展和原理,讨论了支持向量机的理论和算法,包括核函数理论,参数选择等问题。总结了现有多类支持向量机的构造方法。通过实验数据说明了支持向量机用于高光谱遥感影像分类能够取得很好的分类效果。　　 第二,重点论述了超球体多类支持向量机的原理及概念,为进一步提高速度和精度,将最小二乘和半模糊核聚类思想引入超球体多类支持向量机中:在目标函数中使用二次函数,将不等式约束改为等式约束,并取消了乘子的取值限制,使得最小二乘超球体多类支持向量机在乘子搜索和优化计算方面速度更快,加快了分类器的整体收敛速度。半模糊最小二乘超球体多类支持向量机采用半模糊核聚类算法对样本进行预处理,选取边缘位置最有可能成为支持向量的样本参与分类器构建,进而降低计算量,进一步加速最小二乘超球体多类支持向量机的训练。样本的训练使“顺次最小优化”算法(Sequential MinimalOptimization algorithm,SMO),在Zoutendijk可行方向法的工作集选择下,收敛速度比基于经验的工作集选择有进一步提高。　　 第三,论文最后以高光谱遥感影像作为实验数据得出分类后的总体精度和卡帕系数。经过分析得出结论:相对于标准的支持向量机分类算法,基于超球体多类支持向量机的高光谱图像分类算法模型计算速度得到明显提升,分类精度有所提高,取得了较好的分类效果。