随着遥感技术的不断发展,我们能获得的遥感图像不仅在数量上呈现爆炸式增长,而且光谱特征维度也进一步增加。然而,人工标定遥感图像费时费力,所以需要借助机器学习方法自动处理图像。本文的研究工作主要包括分类算法设计和光谱特征学习。域调整(Domain adaptation)方法主要处理原始域(source domain)和目标域(target domain)数据分布存在一定差异而又相互联系的问题,同时,要求两个域的分类任务一致。在遥感图像分类领域,这个现象非常普遍,例如同一地区采集的遥感数据,其采集时间、天气条件、大气环境等可能不同；或是同一遥感探测器采集的数据,也可能来自不同地点(即便拥有类似的地貌特征)。处理这类数据,直接使用基于独立同分布假设的分类模型,一般达不到令人满意的效果。在本文中,我们提出了一个基于输入输出空间一致性假设的域调整算法。我们从目标域中选择高置信度权值的半标记点,同时删除不符合目标域数据分布的原始域训练点,迭代式的重新训练分类模型。因此,我们将该算法命名为输入输出一致性域调整算法(input-consistent-output domain adaptation, ICODA)。ICODA算法在两个实际超光谱数据集(Botswana和KSC)上,进行验证评测。相关实验结果表明,ICODA算法所获得的最终分类正确率要比一般传统分类器要提高不少。另外,在光谱特征基础上,做简单计算可以得到光谱导数特征,该特征很容易反映光谱曲线的变化趋势。现有的研究工作,采取不同手段将此特征融入到原始光谱特征中,用于遥感数据分类。本文研究在没有其它数据预处理手段(e.g.降维、特征混合等)情况下,光谱导数特征对传统分类器有效的条件。在大量实验基础上,我们得出在以下两个条件下,原光谱特征融入一阶导数特征会较大提高分类正确率：1)训练集相对较小；2)训练集质量较差,受噪音影响大。同时,大量免费下载的遥感数据可用于深度学习的无监督特征学习。本文在NASA AVIRIS墨西哥湾溢油数据上,应用深度置信网络(DBN)学习算法探测溢油区域,所得实验分类结果和RGB波段导出彩图具有很高的吻合性。