光谱指数是光学遥感技术中广泛使用的数据处理方式,使用光谱指数可以快速地从复杂的光谱数据中提取出与研究目标相关的信息。相比于原始波段,光谱指数是更接近于研究目标的特征,在地物分类、变化监测以及生物变量反演等遥感应用中经常使用光谱指数代替原始波段作为输入特征。然而,如何为不同遥感应用选择最合适的光谱指数是个难题。因此,有必要发展因地制宜的光谱指数设计方法以应对遥感应用的需求。传统基于人工经验设计光谱指数的方法效率低且占用人力资源,在数据量过大或者数据过于复杂时并不适用;基于机器学习端到端设计光谱指数的方法解放了人力,但由此设计的光谱指数缺乏可解释性,难以被推广使用。面对以上问题,本文提出了一种具有通用性和可解释性的光谱指数设计方法,该方法能够为特定传感器、特定研究区和特定研究目标的光谱数据设计合理的光谱指数,得到的指数具有凸显地物光谱特征、对目标覆盖度变化敏感,以及减弱或消除与目标无关的干扰因素等特点。与传统基于人工经验设计光谱指数的方法相比,本文提出的方法基于机器学习模型而不依赖人工,解放人力并且效率更高;与基于机器学习端到端设计光谱指数的方法相比,本文提出方法中机器学习的部分包含数学的推导与证明,具有可解释性和推广性。本文的研究工作主要分为以下三个部分:（1）对光谱数据的结构和参数展开研究,分析了光谱数据常用的预处理步骤,明确其中的物理原理和数学模型。梳理了从传感器原始成像数据转换为地表反射率数据过程中产生的误差项,对三个主要误差源的成因进行了解释并提出改进意见,为后续光谱指数的设计提供了思路与目标。（2）基于总结的光谱指数设计目标和思路,提出了可解释的通用光谱指数设计方法。首先设计了光谱指数的波段选择算法,创新性地引入了可解释的神经网络,并由此开发了基于权重分析的波段选择算法。进一步根据波段选择的结果推导出满足设计需求的二维光谱指数形式,而后创新性的使用了缩放因子对指数的敏感性进行调整。最后提出了用于指导和简化指数设计的辅助方法。（3）验证了提出的光谱指数设计方法的可解释性和通用性。基于实际数据和研究区使用本文提出的光谱指数设计方法创建了植被指数,并对其具体作用和背后的原理进行解释,验证了该方法的可解释性。基于多种类型的光谱数据,使用本文提出的波段选择算法对建筑、植被、水体、土壤四类常见的地物选择特征波段,其结果均满足研究目标,验证了该方法在不同类型的多光谱、高光谱数据中的通用性。