高光谱图像（HSI）在采集过程中易受到环境或者采集设备的干扰，遥感数据信息会受到大幅的损失，因此高光谱图像去噪是图像预处理的基本问题。设计去噪算法，将HSI划分为局部等分块，采用低秩矩阵约束表征局部特征，并在其基础上利用截断核范数最小化方法来分离出稀疏噪声，全局利用空间-光谱全变分正则化实现分离密度噪声和维持空间-光谱平滑性的目的，两者结合能高效去除高斯噪声、椒盐噪声等的混合噪声。对所提优化算法与其他4种近几年发表的去噪算法进行对比，平均结构相似度提高0.13，平均峰值信噪比提高1.10 dB，运用到不同强度的单一类型噪声中，平均结构相似度也能提高0.10。在实际图像的放大对比中，所提优化算法也有着明显的噪点去除效果。实验结果证明，所提方法对高光谱图像在局部特征表述上更加贴近，结合全局正则化方法后获得更明显的去噪效果，能够对高密度噪声和稀疏噪声有清除作用。

在高光谱图像分类任务中，图卷积网络能够建模像素或区域间的结构关系和相似性关系。针对利用像素原始光谱特征计算节点相似度构造邻接矩阵不准确的问题，提出基于空间-光谱聚合特征的图卷积网络（S²AF-GCN），用于特征提取和像素级分类。以像素的空间位置为中心，聚合像素空间邻域内的其他像素特征，利用聚合后的像素特征动态更新与邻域内其他像素的权重，通过多次聚合，实现区域内像素特征平滑，得到像素的有效特征表示。然后利用聚合特征计算相似度并构图，获得更为准确的邻接矩阵，同时利用聚合特征训练网络，获得更好的分类结果。S²AF-GCN在三个常用高光谱数据集Indian Pines、Pavia University、Kennedy Space Center上利用1%的标记样本取得了85.51%、96.95%、94.92%的总体分类精度。

针对高光谱影像波段间相关度强、光谱和空间结构复杂性高和训练样本数量有限等问题，提出一种边缘保护滤波和深度残差网络结合的分类方法。首先采用联合双边滤波增强地物的边缘结构以提取出高质量的空间特征，将空间特征与光谱特征融合得到原始空谱特征；然后构建二维卷积神经网络，在卷积层中加入跳层连接将模型改进为一种深度残差网络模型；最后采用该模型提取影像的深层空谱特征并将其输入到Softmax分类器完成影像分类。实验在两个数据集上与相关先进方法比较，结果表明，本文方法考虑到了地物边缘结构的重要作用，缓解了卷积神经网络分类中的过拟合现象，显著提高了高光谱影像的分类精度。

针对高光谱图像数据维度高、特征非线性以及标签数据获取难度大的特点,结合堆栈稀疏自动编码网络,提出了一种基于非局部方式特征融合的二级分类算法。与传统堆栈稀疏自动编码网络相比,光谱角匹配算法将找到的与被分类像元最相似的光谱信息堆叠形成新的光谱信息,然后输入到SoftMax分类器中进行一级分类;将满足条件的像元添加到训练数据集,用于堆栈稀疏编码网络的分类训练;最后根据空间邻域信息对分类算法进行修正,使分类结果更加趋于平滑。通过与其他分类算法进行对比,发现改进后的分类算法在各类别的分类精度较高,且可以有效改善高光谱图像分类效果。

根据高光谱遥感图像数据维度高、空间相关性、特征非线性的特点,提出了一种基于深度学习的空-谱特征提取分类算法。首先在堆栈稀疏自动编码机中加入权重衰减项,再利用主成分分析方法对图像数据进行降维处理,然后根据主成分影像块内所有像元的第一主成分与中心像元间的差距对邻域信息进行排序、删除、重组和堆栈,最后将得到的空-谱信息输入到与SoftMax分类器相结合的堆栈稀疏自动编码机中进行分类。通过两组实验数据的对比,验证了所提分类算法可以提高高光谱图像的分类精度。

高光谱遥感影像通常包含几十或上百个光谱波段，其海量的数据给影像的存储、传输以及后续处理带来了挑战。针对这一问题，根据高光谱遥感影像谱间相关性强的特性，提出了一种结合双参考波段线性预测的基于压缩感知的高光谱遥感影像重构方法。首先，将高光谱遥感影像的波段进行分组，每组确定两个参考波段，使用正交匹配追踪（OMP）算法重构每组的两个参考波段。其次，根据重构恢复的组内的两个参考波段，建立了一个基于双参考波段的线性预测模型，用来计算该组内非参考波段的预测值；然后，使用OMP 算法重构实际测量值与预测测量值的差值，得到差值向量；最后，利用得到的差值向量迭代修正预测测量值，直到恢复该波段原始图像。仿真实验结果表明，该方法提高了高光谱遥感影像的重构效果。

为了增强高光谱遥感图像的分类效果,提出基于谱聚类和稀疏表示的两级分类算法。利用谱聚类将待分类的像元及其邻域内所有的像元分成两类,利用联合稀疏表示模型确定按规则选取的其中一类的具体类别,并以该类别作为像元的类。该算法充分利用高光谱图像的光谱及空间信息,两级分类过程均考虑了噪声及区域边界对分类效果的影响。进一步利用空间信息对分类算法进行修正,即关联邻近像元的类别,平滑分类结果。数值实验表明,该算法的分类精度高、稳定性好、抗噪性强。

高光谱遥感影像包含丰富的空间、辐射以及光谱信息, 同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题, 根据高光谱遥感影像谱间相关性强的特性, 提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先, 根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组, 每组确定一个参考波段, 使用平滑l0范数算法重构每组的参考波段。其次, 根据重构恢复的相邻组内的参考波段, 建立了一个非参考波段预测模型, 用来计算非参考波段的预测测量值; 然后, 计算实际测量值与预测测量值的差值, 使用SL0算法重构该差值得到差值向量; 最后, 利用得到的差值向量迭代更新预测测量值, 直到恢复该波段原始图像。仿真实验结果表明, 该方法提高了高光谱遥感影像的重构效果。

为了进一步提高稀疏表示分类能力，提出了基于联合稀疏表示算法与形态学特征的高光谱图像（HSI）分类算法。该算法对高光谱图像提取主成分特征图，并利用结构元素对主成分特征图进行多维的空间结构特征提取，结合提取的形态学特征与原始光谱特征，利用联合稀疏表示算法将同一空间区域中的像元联合进行稀疏系数矩阵的求解，最终通过最小残差判断准则确定像元类别。在AVIRIS与ROSIS HSI上的实验结果表明，该算法在分类效果和分类总精度上都有显著提高。

针对图的半监督聚类算法 (Semi-Supervised Graph-Based Clustering, SSGC)中出现的对先验信息利用不充分、不足以应对数据异构、计算耗时大等问题，本文提出一种基于半监督复合核的图聚类算法，并应用于高光谱图像。该算法首先通过引入半监督学习方法对径向基函数 (Radial Basis Function, RBF)进行了改进，以充分利用少量的标记样本和无标记样本；其次将 RBF核与光谱角核进行融合，构造复合核权重矩阵。在权重矩阵的构造过程中， K-近邻方法的引入也简化了计算过程。在 Indian Pine和 Botswana高光谱数据集上的实验结果表明，相对于 SSGC算法，本文算法不仅实现了更高的分类正确率，其总体分类精度提升 1%～4%，而且有效提升了运算速度。