高光谱遥感兴起于20世纪80年代,是一种融合光谱学理论与成像技术的前沿技术。高光谱遥感图像包含几十至几百个窄波段的光谱信息,能够为人类社会提供丰富且精细的观测数据。地物识别与分析作为高光谱遥感图像的研究热点,是高光谱遥感图像处理的重要组成部分,主要可通过地物分类与像元解混两种技术实现。地物分类技术是一种像元级处理技术,通过对观测像元进行类别标定与识别来完成对地物的分析与识别;而像元解混技术是一种亚像元级处理技术,通过对观测像元中所包含的不同纯地物进行分析并计算其含量来完成对地物的识别与分析。虽然,高光谱图像具有光谱分辨率高及图谱合一的特点,可以为地物分类与像元解混处理提供丰富的细节信息,但同时给这两种技术带来了巨大的挑战和难度,主要原因有:(1)高光谱图像容易受到高光谱传感器在空间分辨率上的限制以及光照、大气、云层厚度等自然环境因素的影响,出现“同物异谱”和“异物同谱”的现象,这两种现象不同程度地增加了地物分类与像元解混的难度。(2)高光谱图像光谱维度高,由小样本引起“Hughes”现象的出现,使高光谱图像地物识别性能呈现先增加后下降趋势。(3)高光谱图像的大数据量给高光谱图像处理带来了极大的计算量。针对上述高光谱图像在地物分类与像元解混中存在的问题,本文深入研究了基于人工神经网络的地物分类技术与基于稀疏回归的像元解混技术,提出了高效的地物分类方法和像元解混方法。具体工作概括如下:一、基于优化极限学习机的高光谱图像分类方法研究针对高光谱图像数据量大,导致分类方法计算复杂度高、样本训练时间长等问题,本文开创性的将极限学习机方法应用在高光谱图像分类中,并提出了一种基于优化极限学习机的高效高光谱图像分类方法。该方法研究并发掘出训练样本数目与隐层神经元数目之间存在一种经验的线性关系,且这种线性关系可从小样本数据集延伸至大样本数据集,因此避免了大样本数据集所带来的大计算量。同时本文基于径向基核函数实现了极限学习机的核函数版本,并将上述线性关系拓展至核函数极限学习机方法上。相较于经典且具有较好分类精度的支持向量机方法和核支持向量机方法,本文所提方法在不损失分类精度的基础上,大幅度提高了样本训练速度。二、基于高效径向基神经网络的高光谱图像分类方法研究针对传统基于神经网络高光谱图像分类方法存在手动调节参数多、分类精度不高的问题,本文提出了一种基于高效径向基神经网络的高光谱图像分类方法,研究并设计了无参的径向基神经网络结构。在此基础上,本文利用简单的空间均值滤波器在不增加额外计算复杂度的基础上将空间信息与光谱信息有效结合起来,进一步提高了地物分类精度;并采用矩阵分解引理,将大矩阵分解为小矩阵,则大矩阵的求逆运算可通过小矩阵的逆运算来组合求得,因此减少了运算时间,实现了算法的并行计算架构。相较于基于径向基核函数的支持向量机方法,本文方法不但减少了样本训练时间,而且大幅度提高了分类精度。三、基于光谱加权全变分的稀疏高光谱解混方法研究针对高光谱图像解混研究中现有空间信息表示模型简单,且忽略了实际应用中邻域像元之间真实分布关系的问题,本文提出了一种基于邻域光谱加权的全变分高光谱图像稀疏解混方法,分析并研究了邻域像元空间信息与光谱信息之间的关系,提出一种基于邻域像元光谱加权的空间正则项,利用不同的向量范数,形成四种不同正则化算子,本文基于这四种不同正则化算子形成不同的稀疏解混模型,根据解混模型产生新的解混方法。分析并确定最优正则化算子,将其应用在后续的稀疏解混方法中。与传统经典稀疏解混方法相比,本文所提解混方法性能在不同信噪比情况下提高了2至16dB不等。四、基于区域协同的高光谱像元稀疏解混方法研究针对传统高光谱图像中异质区域之间像元相互干扰及同质区域内部像元之间相互影响的问题。本文基于图像中同质区域包含相同端元集的前提,提出一种基于区域的高光谱图像协同稀疏解混方法。该方法研究了高光谱图像光谱域与空间域的特点,考虑到空谱信息相结合的优势,分析了高光谱图像中分割数目对像元解混性能以及不同分割算法对高光谱像元解混性能的影响,将同质区域内部像元进行协同稀疏解混,从而像元解混性能较传统基于单个像元处理与全部像元处理的方法在性能上提升了4至7dB,为后续将高光谱图像分类方法与解混方法结合以提高地物分析与识别精度奠定了实验理论基础。