对叶片高光谱信息进行分析, 实现苎麻褐斑病快速无损的诊断, 对提高苎麻产量和品质有重要意义。利用FieldSpec3便携式地物光谱仪和手持叶片夹持器, 采集了430个苎麻褐斑病叶片和健康叶片高光谱数据。提出了一种基于离散系数的子波段主成分分析PCA方法来提取特征变量。同时, 为了探讨不同主成分个数对模型的影响, 分别以1~10个主成分作为特征变量, 采用支持向量机分类SVC方法建立苎麻叶片褐斑病识别模型。结果表明: 1)波段A(511~636 nm)、波段B(690~714 nm)、波段C(1 406~1 511 nm)和波段D(1 870~2 450 nm)离散系数较大, 是建立识别模型的敏感波段; 2)4个子波段中, 波段C建模效果最好, 选择5~10个PCA主成分作为特征变量建立SVC识别模型时, 在主成分个数相同的情况下, 其正确率可以达到90%以上, 总体高于全波段和其他子波段。基于离散系数筛选较敏感的子波段进行PCA, 选择合适的主成分个数作为特征变量, 建立苎麻叶片褐斑病SVC识别模型是可行的, 为开创一种新的苎麻褐斑病诊断方法提供技术支持。

以新疆于田绿洲为研究区，利用四极化PALSAR-2数据进行多种目标极化分解处理，获取相应的极化特征参数。通过目视判读选取噪声较少的11种极化参数作为最佳特征信息对支持向量机分类法进行训练。多种极化分解方法与Wishart分类方法及支持向量机分类法相结合，提取研究区不同程度的盐渍化信息。经过目视判读和实地野外考察，结合Landsat-8陆地成像仪影像对分类结果进行定量分析和验证。由混淆矩阵的计算分析可知，相比Wishart分类方法，支持向量机分类法将分类精度从80.48%提高到88.00%，将Kappa系数从0.73提高到0.83。结果表明，单独的相干分解不能充分挖掘PALSAR-2数据包含的丰富信息，将目标极化分解参数用于特征信息分类处理，可以达到较好的分类效果；利用全极化PALSAR-2数据，结合目标极化分解方法和支持向量机分类法提取盐渍化信息有一定的优势。

针对空间正则化相关滤波(SRDCF)跟踪算法在目标跟踪中旋转变化、超出视野和严重遮挡情况下存在跟踪失败的问题, 提出了一种基于自适应卷积特征的目标跟踪算法。对VGG-Net模型中conv3-4层卷积特征进行主成分分析, 利用自适应降维技术将conv3-4层特征维数由256维降至130维。在检测区域求取分类器最大响应位置及其目标尺度信息, 并对最大响应位置的目标进行置信度比较, 训练在线支持向量机(SVM)分类器, 以便在跟踪失败的情况下, 重新检测到目标而实现长期跟踪。计算跟踪位置的峰旁比, 选取可靠跟踪结果, 更新模型。采用OTB-2015评估基准的100组视频序列进行测试, 并与38种跟踪方法进行对比, 验证了本文算法的有效性。实验结果表明：本文算法跟踪精度为0.804, 成功率为0.607, 排名第一, 与SRDCF算法相比, 两者分别提高了1.9%和1.5%。针对目标发生旋转变化、超出视野和严重遮挡等复杂情况, 本文算法均具有较强的稳健性。