高光谱遥感数据的光谱分辨率很高,能够获取地球表面丰富的光谱和空间信息,反映地物本质的物理化学特性,使得在宽波段遥感中不可识别的地物,在高光谱遥感中能够被识别。地物分类和异常检测是高光谱遥感的重要应用方向,对理解地物分布规律以及探测感兴趣目标具有重要作用,是论文研究的主要内容。高光谱图像具有很高的维数,存在数据冗余,噪声,和维数灾难问题,而且不是每个特征对所分析的问题都具有作用,降维是解决这个问题的有效方法。降维可以发现高维数据中所隐藏的低维结构,减少后续处理的负担,而且可能提高数据分析的质量。流形学习是一类重要的非线性降维方法,它假设高维数据位于一个低维流形中,该低维流形能够表示数据的本征结构和非线性特性。由于高光谱数据存在固有的非线性特性,线性降维可能丢失数据某些重要的非线性信息,因此,论文研究基于流形学习非线性降维的高光谱数据分析。流形学习分为全局算法和局部算法,论文重点研究局部流形学习算法在高光谱图像分类和异常检测中的应用,主要从以下几个方面开展研究工作:(1)流形学习算法存在的一个问题是无法对新数据进行泛化,论文采用Bengio提出的基于核的泛化算法框架,实现对多种流形学习算法的泛化。泛化算法的关键是给出流形学习算法对应的核函数,对于局部切空间排列算法,论文推导出其核函数,实现其对新数据的泛化。(2)对于高光谱图像分类,论文对多种流形学习算法进行比较研究,采用k近邻分类器对各种降维算法的分类性能进行评价,以更好理解流形学习算法的性能,以及高光谱图像在流形域的数据特性。通过大量实验得到多个有意义的结论:流形学习算法是一种有价值和前景的高光谱数据预处理方法,其最大优势是在两类分类问题中,可以提高难以区分地物的分类效果;另外,有监督局部流形学习算法具有最好表现,能够较大幅度提高分类性能。(3)基于流形学习算法和k近邻分类器结合的研究,提出一种新的基于有监督局部流形学习算法的加权k近邻分类器,应用于高光谱图像分类。权值由流形学习算法的核函数计算,可以描述数据局部几何结构,有效评价各近邻点对测试点分类的作用,提高k近邻分类器的性能。该分类器计算简单,只需要计算近邻点权值,因而适用于大数据量情况,还可以有效缓解不均衡样本对k近邻分类器的影响。(4)针对高光谱图像异常检测存在的问题,采用鲁棒的流形学习算法,以避免异常信息对背景特性的影响,建立更准确的背景流形,提高异常检测性能。首先对鲁棒的局部线性嵌入算法,通过将图像分割成多个子块的方式降低其计算量,但是无法得到全局降维结果。然后提出基于背景训练点选择的鲁棒流形学习算法,其中背景训练点由递归多层图像分割方法获得,可以建立全局数据流形,并避免异常对背景流形的影响。在局部流形学习算法中,鲁棒的局部切空间排列算法具有最好表现。