高光谱图像是一种三维立体图像,包含丰富的空间信息和光谱信息,可以更细致地反映地物的特征,广泛应用于农业检测,海洋的生态环境监控和军事侦测等领域。当前高光谱图像处理仍然存在一些挑战。高维的数据会带来数据冗余,极大地增加数据处理的难度。部分波段在成像时会引入噪声,会严重影响高光谱图像分类精度。高光谱设备的噪声以及不同的大气散射条件,导致当前高光谱图像普遍存在噪声,严重影响分类精度。此外,过少的标签数据,也导致训练数据不足,影响了分类的精度。为了解决上述问题,本文主要研究了高光谱图像的波段选择和地物分类两个高光谱图像处理的主要课题,提出了新的方法,研究的主要内容概括如下:(1)本文提出了一种基于最大信息熵-最小噪声和改进的行列式点过程(MIMNDPP)的无监督高光谱图像波段选择算法。为了保护高光谱图像的原始信息,本文设计了一个波段选择准则,用于选择高信息熵和低噪声的波段。然而,在这个波段选择准则基础上,寻找一个低冗余的波段子集是一个NP-hard问题。为了解决这问题,本文从原始高光谱波段信息以及其邻域信息两个方面来考虑其波段间的相关性,构建一个双图结构来描述它们间的联系。其次,本文基于行列式点过程的算法,提出一个改进的行列式点过程算法作为从双图结构中选择低冗余波段子集的搜索方法。经过大量实验表明,本文提出的波段选择算法的性能比目前的现有的算法有很大的提升。(2)本文提出一个基于多尺度奇异谱信号分量自适应信号融合网络的高光谱图像分类算法。方法主要的贡献点如下:首先,用二维奇异谱分析有效去除高光谱图像的噪声,增强数据的特征,有效降低训练样本的数量。其次,二维奇异谱分析应用于高光谱的每一个波段,可以增强像素点的空间相关性,使局部图像块像素差异性降低,更为均匀化,可以有效减少卷积神经网络感受野内像素不同带来的分类精度的影响。运用神经网络对奇异谱分量进行自适应地融合,可以分配不同分量的权重,充分利用分量的潜在信息。同时多尺度的奇异谱特征和不同感受野的卷积框可以提取不同空间范围的特征信息,使其在不同特性的数据集上更有泛化性能。实验表明,相比于现有的方法,本文提出的方法取得更好的分类效果。