针对全波形激光雷达和多光谱数据下土地覆盖误分类问题，提出了融合陆地卫星（Landsat）多光谱遥感影像数据和星载全波形激光雷达全球生态系统动态调查（GEDI）数据进行土地覆盖分类的方法。首先，根据实地调查数据建立数据集；然后，采用支持向量机（SVM）方法来实现激光雷达足迹的土地覆盖分类；最后，对土地覆盖的分类结果进行评价。结果表明，在SVM方法下联合使用光谱特征和波形特征的总体准确率可以达到90.68%，相比仅使用光谱特征或波形特征时总体准确率可以提升8个百分点以上。融合光谱特征和波形特征的方法可以提高土地覆盖分类的准确性。

为了提高在少标签数据条件下的地物分类精度，提出一种利用高光谱图像（HSI）数据与机载激光雷达（LiDAR）数据进行对比学习的地物分类方法。首先利用不带标签的HSI数据与LiDAR数据进行对比学习，通过对比学习可以建立这两种数据的空间特征之间的联系，实现对这两种数据的空间特征提取；设计了卷积模块与Transformer模块相结合的网络，使模型能够利用提取出的局部特征建立全局交互关系。在Houston 2013数据集和Trento数据集上进行对比实验，所提方法的分类精度高于其他多源数据融合地物分类的对照方法，在Houston 2013数据集上当每类标签样本量为5时，所提方法的分类精度比对照方法提高20.73个百分点，在Trento数据集上当每类标签样本量为2时，所提方法的分类精度比对照方法提高8.35个百分点。

为了提高基于近红外光谱的土地覆盖分类模型的准确率, 以欧盟统计局发布的土壤近红外光谱数据为研究对象, 研究基于短时傅里叶变换（STFT）预处理方法和不同卷积尺度融合的土地覆盖分类模型, 实现耕地、 林地和草地的快速区分。 为适应二维卷积要求, 将一维光谱的400～2 500 nm波段的4 200个波长进行短时傅里叶变换, 转换成二维图像同时提取光谱数据的频谱信息。 将样本按6∶2∶2的比例随机划分为训练集、 验证集和测试集。 建立单一尺寸卷积核卷积神经网络（CNN）以及多尺寸卷积核融合的卷积神经网络土地覆盖分类模型, 为了防止模型出现梯度消失现象, 网络采用ReLU激活函数以及批标准化（BN）、 Dropout等方法。 并采用早停法（early stopping）训练网络, 防止模型出现过拟合风险。 首先, 探讨了不同STFT窗口长度（64, 100和128）、 不同卷积核尺寸（3×3, 5×5和7×7）等对模型分类效果的影响规律。 实验结果显示: 当STFT窗口长度为100、 窗口重叠长度为50%时, 模型总体分类准确率均最高; 模型的分类准确率随卷积核尺寸的增大而降低, 较小尺寸卷积核模型准确率更高, 卷积核尺寸为3×3的CNN模型总体分类准确率达到了78.76%, 高于卷积核尺寸为5×5和7×7的CNN模型分类准确率; 不同尺寸卷积核的模型都对某一种土地覆盖类型的分类效果良好, 对于耕地, 3×3卷积尺寸的CNN模型分类效果最佳; 对于林地, 5×5卷积尺寸的CNN模型分类效果最佳; 对于草地, 7×7卷积尺寸的CNN模型分类效果最佳。 其次, 提出了基于多种尺寸卷积核融合的Fusion-CNN模型, 该模型综合了不同尺寸卷积核的分类优势, 模型对于3种土地覆盖类型的分类准确率均有了不同程度的提高, 模型总体分类准确率达到84.39%。 Fusion-CNN模型克服了单尺寸卷积核CNN模型对于合适的卷积核尺寸选择周期长、 调参步骤繁琐的缺点, 能简化和加快建模过程。 使用Fusion-CNN卷积融合网络可以更有效地对土壤近红外光谱的内部特征信息进行自动抽取, 从而得到较高且稳定的土地覆盖分类准确率。

针对激光雷达测量技术现有数据特征单一、地物辨识能力粗糙、类别划分区间模糊导致地物分类精度低的问题，提出了一种基于复合衍生特征和模糊Dempster-Shafer（DS）证据合成理论的地物分类方法。首先，确定 LiDAR数据分类特征对不同类型地物的可识别性，选择特征空间中关联性强且区分度大的源特征与衍生特征；然后，比较归一化差值植被指数与绿色归一化差值植被指数对地物反应属性的差异性，提出并构造具有高辨识能力的复合衍生特征复合归一化差值植被指数；最后，结合使用岭型信任分配函数进行模糊DS证据合成与决策，最终实现对地物的精确分类。实验结果表明，总分类精度由85.78%提高到了89.20%，证明了本文方法的有效性。

为了实现在遥感图像处理过程中准确地提取到有效地物信息,缩短分类用时,将卷积神经网络(CNN)模型引入遥感图像地物分类,首先提出由图片模糊加权平均(PFWG)改进的CNN分类方法,利用模糊几何聚类算法作为预处理单元对实验样本进行特征规划,并对遥感地物信息进行多源特征决策,简化了分类过程,加快了CNN模型的收敛速度。实验结果表明,利用PFWG改进的CNN分类方法总体分类精度达到了93.73%;Kappa系数为0.94。该方法有效地弥补了CNN自身对遥感图像分类不够细腻、表达效果差的缺点,较好地完成了多光谱遥感图像分类任务,同时具备一定抗干扰能力。

对于高光谱影像地物分类问题, 为更加有效地利用像元空间信息和光谱信息, 提高地物分类精度, 提出了多核融合多尺度特征的分类方法。首先, 通过多尺度空间滤波和PCA白化, 提取出多尺度特征;接着在核稀疏表示分类器内使用多核方式对分别表示每项特征, 在分类器内实现特征自动融合, 根据子核与理想核、子核之间距离求取核组合的权重, 使用训练集所构成的字典在特征空间内对待测样本进行线性表示, 根据每类地物的重构误差确定待测像元所属地物类别。实验结果表明: 对于Indian Pines影像和Pavia University影像总体分类精度分别达到99.51%和97.96%, 较传统方法明显提高, 并且对于小样本地物识别精度也都能达到90%以上。本文算法对于高光谱影像地物具有更强的识别能力, 并且具有较强的稳定性和鲁棒性。