针对高光谱图像维度高、地物间非线性可分造成的分类精度低等问题, 提出一种基于多标签共享子空间和内核脊回归的空谱分类算法.该算法利用内核脊回归将地物相近像素在线性空间的不 可分特征映射到高维空间中, 实现分类特性在高维空间下的有效分离, 以提高地物相近特性的区分精度; 同时将高维样本数据映射到低维共享子空间中, 在低维环境下以多类标为指导, 引入低秩矩 阵建立类别标签与共享空间的预测关系, 挖掘多标签间的共同特性, 提高融合利用多类别间的共同属性提高高光谱图像的分类精度;最后利用奇异值分解迭代法求解目标函数, 一定程度上加速参数 求解.在Indian Pines和Pavia University两组高光谱数据集上进行仿真实验, 实验结果表明, 与其他同类算法相比, 在低样本比例下, 本文算法在总体分类精度、平均分类精度和Kappa系数等评价 指标上至少提高4.76%、4.24%和5.19%, 与非内核化的算法相比, 本文算法在基本不增加运行时间的情况下总体分类精度、平均分类精度和Kappa系数至少提高2.92%、2.8%和3.48%.

卫星云图能从多角度展示各类云系特征及其演变过程，实现基于内容的云图检索在天气实况监测、气候研究等方面具有重要意义。为了优化云图的组合特征，增强其组合特征的泛化能力，本文提出一种结合稀疏表示和子空间投影的特征优化方法。首先分别提取云图的颜色、纹理以及形状三种特征，并对其组合特征进行转换分块；然后对每一块的特征进行稀疏表示，根据不同原子的方差来分组特征，得到显著特征和非显著特征；最后由分组特征的能量来计算得到子空间投影矩阵，将初始的组合特征在投影矩阵上进行投影，得到优化后的云图特征。实验结果表明，本文优化云图特征的方法在查准率、查全率上均优于常用的降维方法和云图检索技术，对组合特征具有较强的优化能力，在实时检索过程中时间复杂度低，是一种全新的检索方法。

针对传统的局部保持投影算法(LPP)直接使用数据的原始空间信息导致选取近邻不准确,以及LPP算法投影时忽略数据类别信息的问题,提出一种基于自适应近邻局部保持投影的人脸识别方法。该方法在特征提取时利用可变的相似度、近邻信息以及数据类别信息构建目标函数,使得在投影子空间中同类样本尽量紧凑,异类样本尽量远离。通过最小化目标函数自适应优化邻接矩阵与投影矩阵,用优化后的投影矩阵对高维数据进行降维,采用降维后的数据进行人脸分类识别。将该方法应用于扩展Yale人脸数据库、CMU-PIE人脸数据库、MSRA人脸数据库和CAS-PEAL人脸数据库中进行人脸识别,实验结果验证了其有效性。