高光谱遥感影像在光谱维通常具有数十甚至数百个波段,丰富的光谱信息一方面为我们进行地物分析提供了可能。另一方面,如此多的光谱信息也带来了巨大的存储代价和计算代价、以及维数灾难等问题。高光谱遥感影像不同波段间存在较大的冗余性,不同波段间的信息存在相互的干扰、影响甚至是冲突。同时,高光谱影像中普遍存在的混合像元问题使得同物异谱、同谱异物的现象普遍存在,这些都会降低高光谱影像原始光谱信息的表示性。因此,如何提取高光谱影像数据的特征,同时增强不同类别间数据的判别性,是高光谱处理领域中十分重要的问题。低秩表示、稀疏表示、图模型以及判别分析等方法都被广泛应用于高光谱特征提取领域并获得了良好的性能。但以上方法的经典模型都是基于高光谱影像的向量样本,这种样本表示方法需要将三维立体的高光谱影像展开为二维矩阵,这一处理过程会破坏高光谱影像的空间近邻信息。基于此,本论文在高光谱影像的张量样本表示的基础上,将基于向量样本的低秩表示、稀疏表示、图模型以及判别分析等方法扩展到张量空间,并在此基础上提出了高光谱影像的特征提取方法。本论文的主要工作概括如下:(1)将低秩表示和图模型扩展到张量空间,利用张量样本对原始高光谱数据进行表示,从而较好的保持了原始数据的空间近邻结构信息。在基于张量的图框架中,我们利用张量数据各模上因子矩阵的克罗内克积表征张量样本间的相似性测量,该构图方法能够充分利用张量数据的各模上的相似性,相比较于传统的构图方法,该构图方法具有更强的表示性。最后,我们在基于图的特征提取模型下利用Tucker分解实现了对原始高光谱影像的特征提取。(2)将稀疏表示和线性判别分析扩展到张量空间,利用张量样本对原始高光谱数据进行表示,从而较好的保持了原始数据的空间近邻结构信息。为了最大程度发挥基于张量样本的稀疏表示和线性判别分析模型的优势,我们将二者统一在一个工作框架中,并利用拉格朗日乘子法对模型函数进行求解,在得到张量样本每一模上的因子矩阵后,在Tucker分解框架下实现了原始高光谱影像的特征提取。(3)提取高光谱影像的Gabor特征、形态学特征,并将其与原始光谱特征进行低秩融合,实现高光谱影像的多特征低秩表示。同时,为了挖掘高光谱影像的流形信息,将局部保持投影模型扩展到张量空间,提出张量局部保持投影模型。并在此模型下求得张量高光谱影像各模上的最优因子矩阵,最后在Tucker分解框架下实现高光谱影像的特征提取。