面对日益丰富的机载、 星载高光谱传感器， 及其相伴增多的高光谱数据， 产生的数据量过大、 波段冗余等问题一直是高光谱图像处理、 解译的重难点。 同时， 利用高光谱遥感技术揭露伪装目标， 也一直是现代遥感应用技术研究要点。 在探测得到海量的地物光谱数据、 具有冗余的光谱信息， 设计恰当的数据降维技术具有至关重要的作用。 降维处理的主要方法中的波段选择方法， 其不但可以使图像数据的光谱信息在不失真的条件下实现数据降维， 还能在其基础上对伪装目标及其背景实现精确区分， 是当今利用高光谱技术进行**应用的重要技术手段， 同时也是国内外众多学者的研究热点。 利用各类指标计算波段间的不同表现， 并依据其参数选取代表性强的波段用于地物识别或分类来检验方法的优劣是目前比较常用的研究方式， 但是面向特殊地物， 如植被伪装目标的特定波段选择方法方面的实验研究现仍较少。 研究选取绿色钢板、 绿色伪装网、 绿色假草皮， 置于含有绿色健康植被、 湿润裸地、 干燥裸地的背景环境中， 通过模拟真实环境中的伪装目标和背景地物进行波段选择及分类实验验证。 首先通过分析光谱曲线， 选取显著特征波段; 其次结合根据波段间相关系数划分的子空间进行波段筛选; 然后依据地物目标的图像亮度建立视觉模型， 最终得到具有相对独立性和最佳可识别度的波段选择集合。 并在支持向量机分类器和马氏距离分类器中同两种常用算法选择波段结果与全波段组合进行分类实验对比， 实验发现所提出方法的波段选择结果相对于常用算法和全波段组合， 分类精度和速度均有所提高。 其中， 相较于应用全波段进行分类， 在两类分类器的分类结果， 总体分类精度分别提高4.559 2%和2.364 8%， Kappa系数分别提高0.059 4和0.031 2， 分类时间减少6.83 s。 实验证明该方法能有效在植被伪装目标和背景地物之间做出高效分类， 具有较大实际应用价值。

受传感器状态、成像机理、气候、光照等条件的影响, 高光谱遥感图像存在严重的畸变和失真。本征图像分解是计算机视觉及图形学领域广泛应用的图像处理技术, 采用该技术能够获得图像的本质特征。本研究将本征图像分解引入到高光谱图像处理中对原始图像进行本征图像分解。提出了一种基于自动子空间划分的高光谱本征图像分解方法。首先对高光谱图像进行子空间划分, 再对每个子空间应用基于最优化的本征图像分解方法进行分解, 然后对分解得到的反射率本征图像进行高光谱图像分类处理。实验结果表明：基于自动子空间划分的高光谱本征图像分解能够在较大程度上提高高光谱图像的分类精度。

高光谱数据具有光谱波段多、维度高、数据量庞大的特点, 为了提高高光谱数据的处理速度, 需要进行降维处理, 而波段选择是高光谱降维的基本方法之一。综合考虑, 提出基于高光谱波段选择相关性、信息量及类间可分性的方法。通过虚拟维度确定高光谱图像的本征维数, 并根据波段间的相关系数进行子空间划分; 提出利用基于信息量的离散波段指数, 在各个子空间中计算出最大的波段指数构成子集; 根据类间可分性准则在子空间中选出可分性因子最大的合适波段。利用光谱角匹配选出最适合分类的波段, 组成最后的波段子集, 从而实现波段选择的降维处理。通过实验验证,所提方法与传统的最佳指数和自适应波段选择方法相比, 在一定程度上提高了高光谱图像的分类精度。

高光谱图像具有光谱分辨率高、波段连续、数据量大、图谱合一等特点。然而较高的光谱分辨率会造成波段间相关性强，信息冗余多。所以如何从数百个高光谱波段中选出有利于识别或分类的波段组合成为了高光谱应用需要解决的问题。文章针对相邻波段间相关性较大的特点，提出一种改进的对波段相关矩阵进行全局搜索的子空间划分的波段选择方法。该方法克服了传统只利用相关向量对波段进行划分的缺陷，利用整个相关矩阵进行全局搜索划分，再在划分后的子空间内进行波段选择，从而降低了波段之间的相关性。文章最后使用上述方法对AVIRIS数据进行波段选择，并通过SVM方法对其进行地物分类，结果表明该方法较不进行子空间划分的波段选择方法有较高的分类精度。

针对稀疏表示在高光谱图像异常检测中取得了较好的检测效果，采用局部联合稀疏指数表示的方法，即将局部光谱稀疏指数和局部空间稀疏指数相结合。讨论了窗口设计对检测结果的影响。提出了将自动子空间划分和基于局部联合稀疏指数检测方法相结合的算法，提高了检测的效果。使用合成和真实的高光谱图像数据分别进行了仿真实验，实验结果表明，所提出的方法在检测效果上有一定程度的提高，且不同的窗口设计对检测结果也会产生影响。

超光谱图像因其纹理丰富复杂、 波段多、 光谱分辨率高等特点, 在**、 海洋、 农业等多方面都应用广泛, 但也因其数据量大在数据传输时受到很多限制, 研究一种高效超光谱图像压缩方法有着重要的意义。 目前光谱图像的压缩方法主要分为基于变换、 基于预测和基于矢量量化三大方面, 其中基于预测的方法具有易于实现、 压缩比高等优势应用广泛。 文章首先对超光谱图像特性进行了详细分析, 对谱间预测算法进行了改进, 并结合超光谱图像谱间相关性高、 各谱谱间相关性不完全相同的特点, 提出自适应划分子空间多种谱间预测方法相结合的新方法, 通过实验证明了该方法的有效性。