针对小光斑全波形机载激光雷达波形数据中叠加波难以解析和实测波形数据通常表现出展宽或尖峰形态的问题，提出一种基于小波变换与广义高斯模型的组合法(WT-GGM)来分解机载激光雷达波形数据。小波变换方法具有多分辨率分析的特性，在非平稳信号、微弱信号、瞬态信号及奇异信号的检测中显示出独特的优越性。广义高斯模型作为波形分量建模模型，通过调整其形状参数能有效地处理展宽或尖峰形态的波形分量。为了验证算法的有效性，分别对实验数据使用WT-GGM 算法、商业软件常用的COG 算法、GIPM 算法和RGD 算法进行分析，对比结果表明小波变换可以有效地从叠加波中检测出目标，WT-GGM 算法分解出的目标数与GIPM 算法和RGD 算法结果基本相同，是COG 算法的2 倍。

针对常规极化SAR影像监督分类在分类时由于极化信息利用不完全, 导致分类结果不可信的缺陷, 在分析地物极化散射特性的基础上, 提出一种结合复Wishart分类器思想的极化SAR监督分类方法, 在监督分类的基础上, 利用几乎包含所有极化信息的相干矩阵进行后续分类, 利用地物所有极化散射信息完成类别的划分。 首先, 利用Cloude&Pottier极化特征组合对影像进行监督分类, 获得初始类别划分结果； 为纠正监督分类时仅利用特征矢量的空间分布特性进行类别划分导致的错误, 对监督分类结果精度评价及研究区地物散射相似性分析, 综合确定初始分类结果中分类效果较差、 待后续调整类别的像素集； 然后以各类别的相干矩阵均值为初始聚类中心, 利用核模糊C均值算法, 结合相干矩阵的复Wishart分布特性, 对待修正的像素集进行后续类别迭代调整, 获得精细分类结果。 采用国产X-SAR获取的海南陵水地区的全极化SAR影像进行分类试验, 结果表明: 提出的对极化SAR影像监督分类后利用地物散射特性相似性对错分像素重新进行聚类调整类别的方法, 与仅进行监督分类相比, 分类结果总体精度更高, 也更满足地物的散射特性。

针对小光斑全波形机载激光雷达(LiDAR)波形数据高斯分解法的核心问题——高斯分量个数估计，提出一种高斯拐点匹配法。该算法用平面曲线离散点集拐点的快速查找算法检测波形数据中的拐点，计算过检测出的拐点及其右边第一个点的直线的斜率，根据斜率将所有检测出的拐点分为左、右拐点，一个左拐点与其邻近的一个右拐点组成一个高斯分量，据此可以确定波形数据中高斯分量个数。采用高斯拐点匹配法对模拟和实测波形数据进行分解，并与传统的脉冲检测方法(重心法和高斯脉冲拟合法)相比。结果表明，高斯拐点匹配法方法能极大地减小伪拐点的影响，快速、准确地检测并分解出波形数据中高斯分量，提高波形数据分解速度。同时其能分解出更多的高斯分量，从而提高点云密度。