高光谱遥感影像具有光谱分辨率高,光谱波段数目多和图谱合一等特点,承载着丰富的地物光谱信息,尤其是具备区分不同物质之间细微光谱差异的诊断性光谱特征。这些特点使高光谱遥感影像能够有效地进行地物识别、定位,很好地解决影像处理任务中地物分离的关键问题,并在目标探测、地物分类等领域具有独特的优势。目前,高光谱遥感影像分析技术已经取得了一定的研究进展,但是现有方法模型的局限性以及高光谱影像的特点导致了进行分析处理时遇到的许多问题仍有待解决。因此,本论文基于机器学习和模式识别领域的测度学习的最新理论,以测度学习为研究主线,并结合随机森林、局域学习和集成学习等方法,进行高光谱遥感影像的测度学习方法研究。(1)本文首先从高光谱遥感影像数据的自身特点出发,总结了高光谱遥感影像分析领域面临的挑战,系统地介绍了高光谱遥感影像数据的研究现状和存在的问题,并阐述了引入机器学习领域的测度学习方法可能取得的研究突破,为根据实际问题得到更有效地测度学习方法提供了基础。然后,回顾了测度学习方法的发展历史,主要介绍了国内外科研机构在测度学习领域取得的进展以及测度学习在高光谱遥感影像处理中的研究工作,为本论文工作的开展打下了坚实的基础。(2)现有的高光谱遥感影像目标探测算法往往依赖特定的统计假设,只能在符合假设条件的情况下才能取得较好的目标探测结果,但是高光谱影像中的样本并不是分布在一个线性简单的欧氏空间中,因此本文提出了一种有效的最大边缘测度学习方法用于高光谱目标探测,在目标数比较少或者目标难以探测的情况下,不需要特别的统计假设,利用最大边缘测度学习框架来学习得到测度矩阵,并找到相应的测度矩阵描述原始数据之间距离的低维特征子空间,将目标像元和背景像元最大程度地分离。(3)现有的高光谱遥感影像目标探测应用中存在先验样本数目极其有限,地物分布不均匀等问题,没有足够的训练样本重新构造对测试样本同样有效的模型,本文利用随机森林作为底层表达,提出了一种基于随机森林的测度学习方法。在样本数很少,目标、背景样本数不均衡的情况下,通过考虑样本的相对位置和绝对成对位置,综合单一测度的时间效率和多测度学习的精度优势,不需要额外的参数调整,有效地提高了新的测度空间中目标像元和背景像元的分离精度。(4)高光谱遥感影像维数往往过高,而现有的高光谱遥感影像的特征降维方法往往对参数比较敏感,并假设数据是呈高斯分布的,这通常并不符合实际。通过加入局域自适应决策约束、相似性保持约束等条件,根据阈值和测度学习前后的距离变化进行最终决策,本文提出了一种局域自适应降维测度学习方法,在局域自适应决策的约束下有效地进行高光谱遥感影像的分类。(5)高光谱遥感影像具有地物分布的局域性以及样本的有效性不同等特点,而现有降维方法往往忽略了同类样本之间的相似性约束、不同类样本的不相似约束,不能很好地分离位于局域区间具有高相似度的不同类样本。经典的测度学习方法则大多是在整体数据空间中均匀的应用相同的测度,有过多的参数需要调节,不能很好地处理高维数据问题。通过采用局域测度学习,进行加权处理,不需要过多的参数调节,求得局域测度矩阵,然后进行集成学习,本文提出了一种集成可区分性局域测度学习方法,最终使得相似样本距离最小,同时不相似样本距离最大,有效地解决地物分布的局域性及样本的有效性不同等问题,用于高光谱遥感影像的降维与分类,进一步证明了测度学习的有效性。