1、光譜遙感在對地觀測中得到了廣泛應用。目前光譜儀的光譜分辨率已達到高光譜、超光譜水平，即波段寬度達到納米量級，這使得地物的精細分類以及大氣組分鑒別等應用成為可能。但與此同時，高/超光譜的數(shù)據(jù)量呈現(xiàn)幾何級數(shù)增長，并存在著各波段信噪比不同、波段間冗余性強以及維數(shù)災難等問題，導致光譜數(shù)據(jù)處理時運算量大、分類效果不理想，因此需要進行數(shù)據(jù)降維。目前傳統(tǒng)光譜降維算法的研究對象均為相對獨立的光譜數(shù)據(jù)，其數(shù)據(jù)維數(shù)一般為數(shù)百維。傳統(tǒng)降維算法對具有高光譜分辨

2、率、高空間分辨率以及高時間分辨率特征的“三高”光譜數(shù)據(jù)進行降維時，會導致后續(xù)的光譜匹配及分類效果不夠理想。本文在對光譜數(shù)據(jù)的譜間、空間、時間相關性進行研究的基礎上，提出了相應的高/超光譜降維新方法。
　　首先，本文從光譜強度值的統(tǒng)計特性出發(fā)，提出了基于光譜穿越特征提取的超光譜降維匹配算法。給出了通過統(tǒng)計等間距水平線與光譜曲線交點數(shù)來得到光譜穿越特征向量的具體步驟，利用超光譜的高光譜分辨率優(yōu)勢以及譜間相關性提高了算法的抗噪性能以及魯

3、棒性。降維后的低維穿越特征向量可代替原始超光譜進行光譜匹配，實驗結果表明本文所提出的算法在保證了匹配成功率的前提下，與傳統(tǒng)的歐式距離匹配相比節(jié)省了98％的運算時間。
　　其次，本文利用高光譜圖像中的空間相關性，提出了基于魯棒空間信息的局部線性嵌入高光譜圖像降維分類算法。該算法使用空間光譜距離代替像元光譜距離實現(xiàn)了空間信息的引入；再通過空間鄰域排序避免空間信息由于幾何變換而帶來的影響，利用空間鄰域篩選來剔除空間信息中噪聲、異常像元的

4、干擾。實驗結果表明，相對于傳統(tǒng)的局部線性嵌入降維算法，本文提出的改進算法提高了5.4%-12.8%的分類精度。
　　最后，本文將機器學習領域中的深度學習算法引入到光譜數(shù)據(jù)處理中，對時間序列光譜的降維與分類進行了探索與研究。通過深度信念網(wǎng)絡和分類器對單條光譜進行數(shù)據(jù)降維和分類；然后基于時間相關性提出了加權多數(shù)決策融合方案用于時間序列光譜的分類。實驗結果表明該方法相對于支持向量機分類，精度提高了7%，同時也優(yōu)于其他線性及非線性降維分類