近红外光谱属微弱信号, 其质量易受被测物体自身状态及各种外界因素干扰, 具体而言, 在近红外光谱定性分析中, 影响光谱质量的因素主要有光谱仪状态改变、 光谱采集人员错误操作、 奇异样本干扰等。 建模时若混入质量较差的光谱易影响所建模型的稳健性与适用性, 因此光谱质量判定是确保模型预测能力的一项重要工作。 目前用于定量分析的光谱质量判定研究较多, 而用于定性分析的光谱质量判定研究较少, 为此, 提出一种基于支持向量机数据描述的近红外光谱定性分析光谱质量判定方法, 采用自制漫透射近红外光谱装置采集单籽粒玉米光谱, 以正常状况下采集的某品种玉米单籽粒漫透射光谱作为正常样本, 而人为漏光、 近红外探测器窗口覆盖玉米表皮碎屑、 光源强度改变、 光源与被测玉米籽粒距离改变、 相近品种玉米籽粒混入等几种情况下所采集光谱作为异常样本, 在此数据集基础上研究了基于支持向量机数据描述的定性分析光谱质量判定模型建立的原理与方法, 其后将支持向量机数据描述方法与常用的马氏距离法、 局部异常因子法等光谱质量判定方法进行了对比, 并以正常样本正确识别率与异常样本正确拒识率的均值作为评价标准, 对实验结果进行分析, 由实验结果可以看出相比其他两种方法, 基于支持向量机数据描述的光谱质量判定方法具有最优判定能力, 建模集正常样本数目会影响光谱质量判定能力, 在实际使用光谱质量判定方法时, 建模集应包含足量样本。 在近红外定性分析时可以将该方法作为剔除异常光谱的手段, 在预处理、 特征提取, 模式分类等近红外光谱定性分析步骤前首先进行基于支持向量机的光谱质量判定步骤, 并剔除异常光谱, 可有效提高近红外光谱定性分析模型的可靠性, 亦为近红外光谱定性分析光谱质量判定提供新的方法参考。

针对支持向量数据描述(SVDD)处理大规模样本时存在训练效率低的问题，提出了一种定向蚕食快速增量SVDD算法。首先随机抽取一定规模样本利用增量SVDD训练初始超球，并蚕食满足超球样本；然后每次选取距离上一超球最远的样本作为新增量样本，更新超球模型，使得增量SVDD的增长步长大于1；最后通过循环迭代，生成整个训练集的SVDD分类器。仿真和实例实验结果表明，与普通SVDD算法和增量SVDD算法相比，新算法在保证分类器性能的前提下，时间复杂度有了显著降低，模型训练效率也得到了进一步提高。

为了实现对高光谱图像中的目标自动检测，提出了一种基于空间上下文单类分类器的目标检测算法。对所采用的空间与光谱结合的特征、SVDD分类器原理、算法流程等进行研究。首先分析了支持向量数据描述(SVDD，support vector data description)的单类分类原理。接着，结合高光谱图像特点，介绍了如何利用空间上下文信息和光谱特征作为SVDD分类器输入特征。然后，在分析比较空间光谱结合单类分类器性能的基础上，说明了采用该算法的原理。最后，给出了该算法的具体实现方法。实验结果表明：该方法优于常规的直接利用光谱信息的CEM等算法，在AVIRIS成像的某国外海军基地数据中，检测飞机目标的精度达到了90%以上。基本满足目标检测的稳定可靠、低虚警率、高识别率等要求。

现有天基红外导弹预警系统对目标的探测侧重于对红外图像的处理。从光谱维数据分析角度出发结合支持向量数据描述基本理论，提出了一种基于导弹尾焰特征谱的SVDD 检测方法。应用小样本训练数据建立了单分类器，以11 型导弹目标的红外辐射尾焰特征谱数据作为训练样本，比较了RBF 与SSM 作为核函数的检测效果，应用交叉检验的方法确定宽度因子和相似临界因子的值，结果表明，在低信噪比红外图像中，基于SSM-Kernel 的SVDD 检测性能优于基于RBF-Kernel 的检测性能。应用训练样本数据的辐射双峰所对应中心波长作为匹配模板进行识别，实验表明方法具有可行性。

由于高光谱图像的光谱分辨率已经达到了10 nm甚至更高，使其具有了辨识很多原本在其他遥感图像中无法识别出现的地物。但较高的光谱分辨率也带来了高维数据的处理难题。为了充分利用高光谱图像的高维数据信息，提高一类分类器性能，提出了一种基于集成学习的高光谱图像一类分类方法。该方法将训练样本生成多个随机子空间的低维训练样本集，在这些子空间训练集上训练支持向量数据描述(SVDD)，并对其进行精简处理，最后均值合并这些分类器为一个集成分类器。实验结果表明，与光谱角匹配、一类支持向量机(OC-SVM)和直接SVDD算法相比，该方法具有更高的分类精度，总体精度不低于90%。

高光谱图像目标检测具有重要的理论研究价值和应用前景，是遥感信息处理领域中的一个热点课题。当前大部分检测算法需要设置一个合适的判决阈值，这个阈值是由人工设置或利用目标与背景信息进行计算得到的。实际中对背景的先验知识往往很少，这限制了很多算法的应用。针对这一问题，提出了一种新的纯像素目标检测算法——基于支持向量数据描述(SVDD)的高光谱图像目标检测算法，把目标检测问题转化为了单值分类问题。首先训练SVDD分类器，然后对数据进行类内(目标)和类外(背景)的分类，对分类的图像再利用目标的空间特征降低虚警率，最终得到目标检测结果。利用实际高光谱数据的实验表明，与经典的光谱角度制图和有约束能量最小化算法相比，该方法仅需要较少的目标类训练样本就可以得到与前两者选取最佳阈值时接近的检测结果，当增加背景样本时，该方法优于上述两种算法。

特征提取的充分性和分类器设计的合理性是影响玉米种子识别精度的两个关键问题。 采集了玉米种子的高光谱图像, 并提取每粒玉米种子在不同波段下的图像熵作为分类特征; 在此基础上, 利用支持向量数据描述方法构建每类玉米的分类器模型, 对待识别样本的测试精度达到了94.14%, 对新类别样本的识别精度达到92.28%。 仿真结果表明: 新方法可实现玉米种子的准确识别, 同时解决了传统分类器对新类别样本的错误分类问题。

基于支持向量数据描述(SVDD)的高光谱图像异常检测算法常常会因为背景样本中混入异常像元(野值)而导致检测概率下降。针对此问题，提出一种基于带野值的支持向量描述的检测算法，引入原点和少量已检测出来的异常像元作为异常样本，以改善算法对异常和背景数据的描述能力；同时为抑制错误样本的影响，将异常和背景样本偏离背景样本均值的距离映射作为各样本的加权系数。结果表明，新算法在低虚警概率下较之SVDD 模型有更高的检测概率。利用真实数据进行实验证明了算法的有效性。

传统的高光谱图像混合像元分解技术包括端元提取和估计每个端元的混合比例.虽然很多模型都能得到可以接受的解混结果，但是一些未知端元的存在使得结果在包含未知端元的像素点处出现偏差.因此，提出了一种基于支持向量数据描述的高光谱图像混合像元分解算法.首先高光谱图像数据被分成类内和类外两部分，类内是完全由已知端元数据混合的像素点，而类外数据是包含未知端元的像素点.两类数据交界处被认为是已知端元和未知端元混合的数据.然后再对这些像素点进行混合像元分解，分别对仿真数据和真实高光谱图像进行实验.结果表明该算法可以有效地解决因存在未知端元对解混精度的影响，而且能给出未知端元的解混分量.该方法的解混结果几乎不受未知端元的影响，优于直接解混结果.