高维遥感数据的分类与模式识别与常规的多波段遥感数据的分类具有显著的区别。受波段维数增加的影响，为对分类中需要使用的统计参数估计进行比较精确的，训练样本数要远高于常规多波段遥感数据的分类中所使用的样本数。Hughes现象表明，高维遥感数据分类前的特征提取与处理，是一项必要的、有效的工作。因而，采取何种有效的手段进行高维遥感数据分类前的特征提取，也是当前遥感分类与识别领域一个非常值得重视的研究方向。 本文对利用高维遥感数据进行土地覆盖分类过程中的图象特征表达、分类数据的预处理、特征提取、空间维信息表达与处理、分类算法等进行了综合的分析，并针对其中若干关键问题进行了具体的研究与专题论述。最后对将特征提取技术应用于实际工作，进行了基于NOAA-AVHRR时间序列数据进行中国土地覆盖分类研究。 主要研究内容与创新点包括： (1)、改进并提出了基于频域维纳滤波器方法的空域图象模糊复原算法。 在针对高分辨率图象中点扩散函数(PSF)概念分析的基础上，分析和讨论了基于CBERS-1图象的点扩散函数估计与图像复原算法。能对不同大气条件下的CBERS-1图象进行点扩散函数估计，采用维纳滤波器方法进行与反卷积算子计算，复原后的图象比原始图象清晰度有显著提高，该方法简单、数据运算量小。 (2)、提出了基于均值／标准差比的差值序列进行排序的SRROD滤波器。 通过对窗口内像元值进行排序，计算排序后的序列中子序列的均值和标准差，求其连续子序列的标准差与均值的比值并求归一化差值。通过将差值与给定的阈值比较可以有效地检测出脉冲噪声；检测出的噪声点的像元值取窗口内像元值的排序均值。该算法在模拟图象和真实的SeaWiFS噪声图象中的试验表明其具有优于其他算法的处理效果。并对非递归实现中的盲目参数优化进行了初步讨论。 (3)、发展了基于遗传算法的高维遥感图象特征选择技术。 比较全面地总结了当前模式识别与分类中的主要特征选择技术。在此基础上，发展了基于遗传算法的高维遥感图象特征选择技术。利用遗传算法的全局最优搜索能力，可以搜索出在不同特征组合条件下的最佳波段分类组合。初步的试验结果，该方法相对于前向选择算法具有更好的特征提取效果。 (4)、发展了基于遗传算法(GA)和小波变换的特征提取方法。 比较全面地总结了当前模式识别与分类中的主要特征提取技术。在前人工作的基础上，将GA算法的全局优化搜索能力与小波变换的多分辨率多尺度特征提取能力结合，发展了基于GA和小波变换的特征提取方法。对16种土地覆盖类型的识别结果表明，该方法相对于其他方法如主成分分析(PCA)、典范分析 (DAFE)、决策边界特征提取(DBFE)等具有更好的特征提取效果。 (5)、提出了金字塔型分类器解决在多分辨率下对土地覆盖类型的光谱纹理表现的综合与分类的框架和思路。 分析了不同分辨率条件下，土地覆盖类型的空间纹理、结构、几何表现。作者认为，混合像元的出现并不是只会造成类别的误分现象。相反，有时候一种特定的混合地表覆盖类型在低分辨率图象上会表现出独特的光谱特征。在不同分辨率级别上的图象特征，可以用来辨别不同级别、层次的地物类型。基于这一观点，提出了金字塔型分类器解决在多分辨率下对土地覆盖类型的光谱纹理表现的综合与分类的框架和思路。并结合离散小波变换(D盯)进行了初步的分类试验，结果表明，该方法确实能在一定程度上提高分类效果。 (6)、提出了基于G^算法与反传算法(即)结合进行多层感知机分类器(MLP)神经元网络权重初始化训练、网络结构训练的方法。 利用GA算法的全局优化搜索能力和BP算法的局部最优搜索能力，提出了基于GA算法与MLP分类器结合进行神经元网络权重初始化训练、并利用BP算法进行神经元网络结构反向传递训练的方法。该方法比单纯采用BP算法更能收敛到最小总误差.并根据训练过程中网络权重结构的调整进行分析与检验。 (7)、进行了基于N0从^vHRR时间序列数据去云处理与特征提取的中国土地扭盖分类研究。 根据NOAA AVHRR时间序列数据的特点，针对六种典型云覆盖情况，提出了多时相NDVI去云处理方法。将去云处理后的NDVI数据集应用于基于PCA的最大似然分类进行了中国土地覆盖分类。取2000个随机分布的样点并以1:400万的中国植被类型图作为标准的植被类型分布进行精度检验表明，与基于原始NDVI数据集的MLC分类比较，分类精度提高巧.62%。这证明采用多时相NDvi去云处理方法并结合特征提取技术能有效提高数据质量，增强不同土地覆盖类型之间的类别可分离性，从而提高总分类精度。