随着遥感技术的发展和广泛应用,高光谱图像被尝试应用于地物分类及植被生态监测等领域中。尽管目前很多经典的遥感数据处理方法已应用于高光谱图像处理与分析中,然而对于地物变化的分类任务中,植被分类与参量反演还很难达到分析所需的要求。因此,这就需要开发一些有别于传统图像处理的方法,实现高光谱图像地物中植被的分类与参量的反演分析。由于不同地物的光谱曲线可以直接体现其特征,故与利用其他图像进行地物变化分类相比,在选择合适的分析方法前提下,利用高光谱图像信息能够更细致地反映地物变化,对地物覆盖植被类型的遥感监测精细分析具有重要意义。论文在对高光谱图像特性分析的基础上,分别从光谱关键信息提取、迁移特征融合分类和植被生化参量反演的变化检测三方面,对高光谱图像地物中植被遥感生态监测进行分析,从而实现高光谱植被区域的分类与生长状态的变化检测。首先,针对高光谱高数据维与最大程度利用光谱信息的问题,研究了基于局部Fisher判别的特征选择算法。该算法考虑了真实高光谱数据在原始特征空间的多模态分布结构,选择一组优化的特征子集,以保留同类样本的局部邻域结构。本文基于Fisher判别的特征选择算法,提出了一种新的基于光谱关键信息融合的分类方法,在确定光谱滤波阶数与求导采样间隔数参数组合后,将光谱的一阶导数和二阶导数同原始光谱特征直接向量叠加,将不同表达方式的空间特征有机融合,有利于提升高光谱图像的地物分类精度。其次,针对高光谱图像地物分类中所提供的标签训练数据不足时分类正确率偏低,以及图像标签获取和收集困难的问题,本文将迁移学习引入网络集成学习算法中,提出了基于知识迁移的高光谱图像特征融合分类算法。该算法利用已有的不同于目标数据、但与目标数据相关的相似图像标签数据,来对标签较少的高光谱图像地物分类。其中利用Ada Boost算法构造了源域待迁移样本选择方法,利用样本迁移实现了域自适应。实验结果表明,基于知识迁移的地物图像分类方法在小样本情况下,仍然可以获得较高的分类精度。最后,针对利用高光谱图像中植被光谱信息反演生化参量的问题,将生化参量反演分析应用于高光谱遥感图像变化检测中。该方法通过分析植被变化过程中所引起生化参量的变化,对影响植被生长状态且具有代表性的叶绿素参量、水分参量及木质素参量进行量化反演,并将每种参量的反演结果生成9个组分图。通过分析带有变化信息的组分选择合适的阈值,分割组分图,可得到最终的变化区域。与差分变化检测和基于SVM分类后变化检测的方法相比,本文所采用方法能够克服分类后变化检测受分类结果的限制、误检率高,以及差分变化检测所带来的漏检率问题,实现了同种类别植被生长状态变化这一遥感监测分析功能。