高光谱遥感技术利用地表物质与电磁波的相互作用及其所形成的光谱反射、吸收等特性,实现对地物的识别及环境的分析,被广泛应用于矿物勘探、环境变化检测和产品质量检测等领域。由于高光谱图像波段数众多,相邻波段具有较高的相关性,为了减小高光谱遥感图像的信息冗余度,有必要对高光谱图像进行奇异值分解。然而,传统的单机处理模式普遍都有数据量大、处理过程复杂、计算时空复杂度高的问题,很难满足日益增长的大数据量计算需求。云计算具有分布式计算能力和大数据处理能力,很好地解决了遥感大数据面临的单机瓶颈问题。本文研究了基于分布式架构的文件系统HDFS的文件读写流程、Spark分布式计算框架、RDD编程模型,并通过分析不同格式的高光谱遥感图像所对应的数据组织形式,设计了高光谱遥感大数据的并行读取方法。为了提高高光谱遥感大数据的奇异值分解效率,本文深入研究了基于Jacobi旋转的SVD算法以及基于张量Tucker分解的HOSVD算法,提出了基于云平台的SVD并行优化算法以及HOSVD并行优化算法。经实验结果验证,本文提出的基于云平台的高光谱遥感大数据奇异值分解算法具有较高的算法精度及算法效率。本文的主要内容包括:1、深入研究了基于Jacobi旋转的SVD算法,为了提高算法效率并且解决单节点带来的计算资源瓶颈问题,提出了基于云平台的高光谱遥感大数据SVD并行优化算法。本算法基于不同的高光谱遥感图像格式设计了对应的并行数据读取方法,通过将原始高光谱数据分割成一系列小块并使用Map Reduce编程模型进行分布式并行计算,极大提升了算法的速度。同时,在Jacobi旋转变换的过程中,将寻找矩阵最大元素值的范围缩小为上三角矩阵,进一步为了加快算法的收敛速度。2、深入研究了基于张量Tucker分解的HOSVD算法,提出了基于云平台的高光谱遥感大数据HOSVD并行优化算法。该方法将分块后的高光谱数据转换为一系列三阶张量分块,基于Spark Sql对结构化的张量数据进行模态展开、模态合并等操作,并根据高光谱数据的不同分块方式设计了不同的分块计算结果合并还原算法。实验结果表明,本算法在保证了较高的算法精度的前提下,获得了较高的算法效率。3、为了实现高光谱遥感大数据的高效处理,深入研究了OpenStack云计算资源管理工具、Mysql关系型数据库和基于分布式架构的文件系统HDFS,设计并实现了高光谱遥感大数据云平台。云平台的基础设施层通过OpenStack技术完成对CPU、内存、网络和存储等计算资源的虚拟化,并基于Linux Shell脚本技术实现了Hadoop/Spark云计算环境的自动化快速部署。业务层以HTML和Spring框架为基础,为用户提供简洁易用的web页面与云处理平台进行交互,具有较高的可扩展性及较低的模块耦合性。