高光谱遥感作为一种新型的遥感方式在近20年的发展中已经在军用和民用的多个领域发挥着重要的作用。与多光谱遥感相比,高光谱遥感数据具有波段数目多、光谱分辨率高、波段宽度窄、数据量庞大等特点。这对于利用遥感图像进行目标分类、识别与跟踪等都具有重要的研究价值和应用意义。然而其巨大的数据量和较高的数据维给高光谱图像分类处理带来较大的困难。本文分析了高光谱数据的特点。验证了高光谱遥感图像的各波段之间有较强的谱间相关性。并分析其对传统分类技术带来的挑战。在利用常用分类方法对高光谱遥感图像分类之前,应进行特征选择和提取。最常用的方法是主成分分析,也叫K-L变换。K-L变换的能够把原来多个波段中的有用信息尽量集中到数目尽可能少的新的组分图像中,对图像信息进行归并处理,使图像数据量得到有效的压缩,而且还能够使新的组分图像中的各组分之间互不相关。此方法先由所有波段数据求得影像间的相关系数矩阵,由相关系数矩阵计算特征值和特征向量,再求得各主成分影像。实验数据显示前三个主成分所包含的有效信息含量已达到95%以上。利用这三个主成分做分类处理,既减少了计算量,又提高了分类精度。高光谱遥感图像的另一种分类方法是:直接应用原始光谱向量进行分类处理。当训练样本不足时,传统的分类方法往往不能达到理想的分类精度。支撑向量机是一种解决小样本、高维、非线性分类问题的有效方法。本文主要研究了支持向量机(SVM)在高光谱遥感图像分类中的应用,分析了核函数类型选择、参数确定问题。以及SVM的多类分类问题.实验结果表明,与传统分类方法相比,SVM具有分类精度高的优点。尤其是当学习样本数目较少、数据维数高时,SVM的优势更加明显。