机载MIMOSAR在增大可照射场景范围的同时，也会带来距离空变性问题，使得现有算法在大场景模型下会出现各种误差。基于正侧视大场景模型，对上述问题进行详细的推导分析，指出成像场景测绘带宽变大而导致的失配现象是产生误差的主要因素，并提出了一种机载高分辨率大场景成像算法。理论分析和实验结果验证了该方法的有效性。

针对传统合成孔径雷达 (SAR)在进行机动目标成像时，极易造成 SAR图像中出现散焦与模糊现象，本文通过融合 MIMO雷达单次快拍与 SAR合成孔径技术，提出了一种混合采样高分辨率机载 MIMO雷达机动目标成像方法。该方法利用目标与载机的空间位置信息进行运动补偿，而无需估计目标多普勒信息，因此，能够有效避免传统 SAR存在的机动目标多普勒参数估计难题。仿真实验证实了新方法实现机动目标聚焦成像的有效性。

针对高光谱图像分类，提出了一种利用组合核函数融合目标光谱域和空域信息的支持向量机学习算法。该算法首先用主成分分析方法对高光谱图像进行特征提取和降维，用虚拟维数估计策略预估原始图像的本征维数，并且在预估的基础上确定要保留的主成份分量数目；然后用数学形态学操作在选取的主分量图像上提取目标的形态信息，得到扩展的空域形态矢量。最后，通过不同的组合策略，构造组合核函数，从而在分类器中引入空域信息，和原有的谱域信息一起，利用支持向量机进行分类。高光谱数据实验表明，在训练时间没有显著差别的情况下，总体分类精度和Kappa系数均提高了2%左右。实验表明，本文提出的方法较单独使用谱域或空域信息进行分类具有一定的优越性。

针对高光谱图像分类, 文章提出一种基于波段子集最大噪声分量特征提取的最小二乘支持向量机的高光谱图像分类算法。 利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集, 并在各个子集上采用最大噪声分量方法进行特征提取, 将提取的特征合成为分类的组合特征矢量, 避免了高光谱图像较强的波段相关性, 减少了谱间冗余。 并且采用了最小二乘支持向量机, 用等式约束取代了支持向量机中的不等式约束, 降低了运算量, 提高了学习效率。 该方法利用特征提取优化了光谱信息, 降低了谱间噪声, 提高了分类器的性能。 实验结果证明了本文算法的优越性。

针对高光谱图像目标识别与分类的应用背景，提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计，利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱，并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维，利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后，对各独立分量进行恒虚警率检测与形态学滤波，从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明，该方法可有效探测出图像中的目标，并可获得较好的分割结果.