本文以青海省湟水流域为研究区,以HJ-1 A星HSI高光谱遥感影像,野外实测植被冠层光谱和其它辅助分类数据为数据源,借助新兴的高光谱遥感技术对研究区内典型植被类型进行高光谱遥感识别和分类研究。上述数据经预处理、光谱数据形式变换、高光谱数据降维和影像分类特征选取后,分别采用支持向量机(SVM)、BP神经网络(BPNN)、最大似然分类(MLC)、CART决策树(CART-DT)和波谱角填图(SAM)共5种分类方法进行典型植被遥感分类。考虑到研究区地形的复杂性、地物类型斑块破碎和植被类型多样性的特点,在分类特征数据中融入了地形辅助分类数据(包括数字高程模型、坡度和坡向)和光谱特征参量数据(绿峰幅值、红谷幅值和红边归一化植被指数)。本文的目标就是对上述5种分类方法的分类结果进行对比分析和精度评价,获取不同分类方法间的优劣性,同时寻求较优的光谱数据变换形式和高光谱影像降维方法,以探索适用于复杂地形区的植被高光谱遥感分类方法。主要研究结论如下:(1)本文采用的5种分类方法中,SVM的分类效果最优,其最高总体分类精度达89.21%,Kappa系数为0.88。BPNN的分类精度次于SVM分类精度,其最优总体分类精度达88.7%,Kappa系数为0.87。CART-DT的分类效果略低于上述两种分类器,其最优总体分类精度为87.69%,Kappa系数为0.85,但采用CART-DT方法的分类效率要显著高于SVM和BPNN分类器,且也能获得较优的分类精度。利用SAM方法分类精度低于上述3种,其最高总体分类精度达到了85.5%,Kappa系数为0.83,SAM分类器是目前广泛应用的高光谱遥感分类方法,对于高光谱影像分类较为适用,但该算法前期的端元光谱选取较为耗时,同时端元光谱的准确选择对于波谱角分类的精度也有较大影响。MLC分类效果最差,其最优总体分类精度为77.91%,Kappa系数为0.74。(2)针对研究区内8种典型植被类型,寒温性常绿针叶林的制图精度最高达86.05%,且5种分类器对于该种植被类型均有较高分类精度。温性落叶阔叶林的最优制图精度达88.00%,SVM和BPNN分类器的对该类型的识别精度要高于CART-DT和SAM,而MLC的识别精度最低,其制图精度仅为72.00%。对于灌丛植被最优制图精度达87.00%,CART-DT对于灌丛类型的识别精度要低于其它4种分类器,且4种分类器对于该种类型的识别精度均保持在86%左右。草原类型的最优制图精度达到88.15%,总体而言5种分类器对于草原类型的识别精度SVM较高,而SAM识别精度略低,其它3种分类器保持在85.00%左右。栽培植被最高制图精度为91.67%,5种分类器对栽培植被的识别效果依次为SVM>BPNN>CART-DT>SAM>MLC。高山流石坡植被的最高制图精度达到94.00%,SVM、BPNN和CART-DT对该种类型识别精度均最优,SAM次之,而MLC分类方法效果最差。无植被覆盖区的最优制图精度达93.85%,5种分类器对于该种类型的识别均能获得较高的精度,MLC和SAM分类法的识别精度要略低于其它分类方法,水体的最优制图精度达到93.33%,SAM对于该类识别效果要略低于其它4种分类器。(3)本文采用了MNF降维结果+辅助分类数据、PCA降维结果+辅助分类数据、ICA降维结果+辅助分类数据共3种分类数据形式,通过对该3种数据类型的12种分类结果分析发现,采用MNF降维结果+辅助分类数据的分类精度要优于其它两种,其平均总体分类精度达86%,采用PCA降维结果+辅助分类数据的分类效果次之,其平均总体分类精度达84%,而采用ICA降维结果+辅助分类数据的平均总体分类精度达81%。因采用的辅助分类数据均相同,所以可以得出文中对HSI高光谱数据采用最小噪声分离(MNF)、主成分分析(PCA)和独立主成分分析(ICA)共3种高光谱降维方法,其降维效果依次为MNF>PCA>ICA。(4)本文经数据形式变换获得原始(R)、倒数(1/R)、对数(log(R))和连续统去除(CR)4种高光谱影像数据,并利用该4种数据类型,采用波谱角填图进行典型植被类型分类,通过精度评价表明,采用CR数据分类精度最优,其总体分类精度达85.5%,Kappa系数为0.83。采用log(R)数据其总体分类精度达84.82%,Kappa系数为0.82。采用R数据其总体分类精度达82.29%,Kappa系数为0.79。而采用1/R数据分类精度较低,其总体分类精度为80.61%,Kappa系数为0.77。结果表明针对原始光谱数据选取较为适用的数据变换形式能够提高分类器的识别精度,4种数据形式进行典型植被分类其效果依次为CR>log(R)>R>1/R。