高光谱遥感影像能够通过精细、丰富且连续的光谱特性曲线来表征地物的特征,反映不同地物类别的特有属性,且光谱分辨率高,被国内外广泛应用到军事侦察、矿物勘探、农业精确制图和环境灾害监测等重大研究领域。深入研究高光谱遥感影像的数据特性,针对性地增强有利于后续分析的特征且去除噪声等干扰因素,是实现准确解译高光谱遥感影像的前提。高光谱遥感影像的分类问题是目标检测和识别的基础。但是,实现对高光谱遥感影像的高精度分类仍然面临许多挑战:如何挖掘高光谱遥感影像的深层次特征,以解决小样本高维数据分类性能不理想的问题;如何解决高光谱遥感影像中常见的“同物异谱”问题;如何针对高光谱高维数据实现实时处理;如何提升类间差距而降低类内差距以提升分类性能等。对于上述这些问题,本论文深入分析高光谱遥感影像的自身数据特性,在目前高光谱遥感影像处理技术的基础上,探索了能够实现高光谱遥感影像高精度分类的特征增强技术,并通过真实的高光谱遥感数据来评价本论文提出的模型。本论文取得的主要成果如下:(1)已有的基于局部优化的识别方法无法表征高光谱遥感影像较深层次的空间结构关系,存在小样本高维数据识别精度低的问题。针对这一问题,我们深入分析卷积对高光谱遥感影像的作用,根据小样本数据的特性设计网络结构,提出了基于深度卷积神经网络的高光谱遥感影像深层次特征增强模型。其基本思想是利用深度学习提取高光谱遥感影像的深层次复杂特征,在滤除噪声的同时,增强高光谱遥感影像中各类地物的结构、形状和边界等利于分类识别的信息,达到物间差异增大且物内差异减少的目的。论文全面比较了基于深度卷积神经网络增强前后的数据对于支持向量机、超限学习机以及基于稀疏表示等分类器的影响。实验结果表明:基于深度卷积神经网络的高光谱遥感影像特征增强技术能够充分表达小样本高维数据的特征,解决了小样本高维数据分类性能不理想的问题,对于Indian Pines影像中仅由20个像素点组成的小样本数据,分类精度提升幅度较大。(2)在高光谱遥感影像中,光谱特性曲线是其关键属性。但受到高光谱成像仪自身条件的限制以及光照等拍摄环境的干扰,高光谱成像仪获取的数据中往往存在光谱严重失真和光谱畸变的现象。比如,相同类别的地物出现了不同的谱间特性,即“同物异谱”现象。经分析,这种现象通常出现在物体的边界处。这是因为边界处的像素点很容易受到来自周围不同地物对光照反射的影响,常出现混淆的光谱特性曲线。针对这一问题,本文在高光谱遥感影像中引入了透明度通道的概念,并提出了基于优化模型封闭解的高光谱遥感影像特征增强算法。以透明度通道作为指导,全面结合高光谱遥感影像中的上下文结构信息,将影像分解为局部光滑的高光谱前景和背景。最后将透明度通道、光谱前景和光谱背景线性组合,得到纯净的光谱特性曲线,有效地解决了“同物异谱”现象。在实验过程中,比较了支持向量机、超限学习机和基于稀疏表示的分类器对增强前后数据的分类性能。(3)高光谱遥感影像数据维度高、数据量大,对于其特征增强过程很难达到实时处理的要求。引导滤波以简单高效著称,且可以很好地保持边界信息。据此,本文提出了基于引导滤波的快速特征增强模型。首先,本文提出了基于统计学特征和形态学特征的引导图像选择算法,在高光谱遥感影像中定义了引导图像。在处理过程中,为进一步提高处理速度,我们假设线性系数局部光滑,通过对线性系数下采样,大幅提高了处理速度。因为引导图像的信息没有经过下采样,所以在处理过程中,仍然能够将引导图像中的信息有效地引入到高光谱遥感影像中。经过分析,本文提出的基于引导滤波的高光谱影像快速特征增强算法可以有效解决“同物异谱”问题,而且对于小样本高维数据的分类精度提升幅度较大。对于剩余样本数相对较多的地物类别,分类精度同样有很大幅度地提升。同时,大幅降低了高光谱遥感影像这种高维数据的处理复杂度。实验结果表明,本文提出的高光谱遥感影像快速特征增强过程的处理时间比直接采用引导滤波的处理时间从O(N)降低到O(N/s~2),其中s为下采样的倍数。