提出了一种基于最大化N维立体光谱角 (Maximum N-dimensional Solid Spectral Angle,MNSSA) 的端元提取方法.该方法通过计算N个光谱向量在高维欧几里得空间的光谱夹角,定量衡量该N个光谱向量的独立性.在线性混合模型假设下,端元光谱向量的欧几里得空间夹角大于混合像素构成的夹角.MNSSA法不受待提取端元数目及波段数目的限制,对光谱向量幅值变化不敏感,能够克服阴影及光照因素对端元幅值的影响.使用模拟数据及AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)获取的真实高光谱数据对MNSSA端元提取法及现有基于几何的端元提取法进行了对比评价.仿真结果表明,MNSSA法能够克服阴影影响因子对端元幅值的影响,端元提取准确率优于现有端元提取法,且具有良好的抗噪声性能,能显著降低高光谱数据的重构误差.

高光谱遥感目标检测是遥感信号处理领域的热点问题，基于核机器学习的KRX 算法能充分利用高光谱波段间的非线性光谱特性，在原始光谱的特征空间进行探测，能够获得较好的检测效果。针对KRX 算法检测过程计算复杂、不能满足快速处理要求的缺陷，引入了卡尔曼滤波器的递归思想，提出了一种核递归的高光谱异常目标检测算法。从光谱分析的角度，应用Woodbury 引理从上一时刻的状态迭代更新当前像元的Gram 核矩阵，避免了高维矩阵数据重复计算。实验结果表明，与传统RX、因果RX 和KRX 等算法相比，在检测精度有所提高的同时，大大缩短了算法检测时间，提高了异常目标检测效率。

高光谱图像分类是高光谱数据分析的重要研究内容.相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注.由于高光谱数据具有较高的维数, 当训练样本较少时, 高光谱数据的分类精度受到严重的影响.通常解决这种现象的办法是对原数据进行特征降维处理, 然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数.为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性, 计算高光谱图像的最优降维特征数, 并与相关向量机结合, 对降维后的数据进行分类.实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性.相比较原始未降维数据, 降维后的高光谱图像分类精度有较大幅度的提高.

相关向量机(RVM)高光谱图像分类算法是一种基于贝叶斯概率模型的监督机器学习算法，其分类精度较高、测试时间较短。然而算法本身存在训练时间随着训练样本增加直线上升、分类效率整体降低等问题。针对这种情况，提出一种基于改进型相关向量机(VRVM) 的高光谱图像分类算法。本算法在传统概率模型中引入一个新的分布，使得计算复杂度较高的积分运算可近似地拆分成两个较为简单的对数和形式。实验结果表明，VRVM高光谱图像分类算法的总体分类精度和相关向量的数量与RVM基本相同，但训练时间随样本数的增加有明显的减少。