高光谱成像探测技术已经广泛应用于伪装物探测领域, 但丰富的光谱细节意味着巨大的数据量, 这导致数据存储和计算处理过程时间很长, 难以满足战场环境下伪装物实时探测识别的要求。传统的光谱信息压缩和快速选取算法大多需要目标的特征光谱, 而某些战场中伪装目标的光谱通常难以获得, 这降低了传统算法的可用性。针对战场环境伪装物的视觉伪装效果, 提出了基于目标与背景间局部自相关系数对疑似伪装目标进行检测。算法通过选取最佳特异性光谱, 实现无光谱先验信息的伪装物识别, 提高了高光谱成像探测目标检测效率。实验分析表明, 该算法可以有效提取三个特异性光谱, 实现伪装物目标识别与提取过程。

为准确反演气体浓度，节约建模时间，提出了基于区间极限学习机(ELM)定量分析模型的傅里叶变换红外(FTIR)光谱分析技术。该方法基于区间划分思想，将整个光谱范围划分为若干个子区间，利用ELM分别建立各个子区间的定量分析模型，并根据各个子区间模型的决定系数大小评价其泛化性能，进而筛选出最具代表性的子区间组合。基于上述方法，对NO与NO2气体的红外光谱进行波长筛选，并利用筛选后的特征波长点光谱建立定量分析模型。实验结果表明，NO气体测试集的决定系数R2为0.9999，NO2气体测试集的决定系数R2为0.9997。与区间偏最小二乘法相比，利用区间ELM方法建模速度更快,模型泛化性能更优。