鉴于传统高光谱影像分类大都采用监督学习方法, 且仅利用了光谱信息, 未考虑影像空间特征和流形结构。提出一种基于空-谱协同流形重构误差的高光谱影像分类方法, 该算法基于高光谱影像中地物分布的空间一致性, 利用少量标记的样本和大量的无标记空间近邻样本来进行半监督学习, 并利用测试样本在每一子流形上的重构误差来表征相似性, 实现鉴别分类。在Indian Pines和University of Pavia数据集上的实验结果表明, 本文方法的分类精度在各种条件下要优于其他分类算法, 其最高总体精度分别达到了95.67%和91.92%。该算法将高光谱遥感影像中的空间-光谱信息融入不同地物的子流形结构表征, 在训练样本数量较少时仍能得到好的分类效果, 有效提升了分类性能。

针对光纤布拉格光栅(FBG)传感系统中数据量庞大、不利于数据传输及存储的问题，提出了一种分段自适应采样压缩感知与改进的正交匹配追踪（SASCS-IOMP）算法。利用设计特定参数的Gabor滤波器提取FBG光谱信号上边带斜率最大的频率点，根据Hilbert变换粗定位FBG中心波长位置，并对FBG光谱进行自适应分割。在不同分割区域设置不同的信噪比阈值，以降低光谱信号的总压缩比。在自适应采样过程中，为缩短算法的运行时间，引入比例-积分-微分控制算法，设计一种自适应步长增长机制，最后利用IOMP算法重构光谱。仿真结果表明，在单峰和多峰情况下，SASCS-IOMP算法都能降低总观测值的数目，且FBG光谱3 dB带宽内的重构误差均在0.7%以内。

传统的高光谱遥感影像分类算法侧重于光谱信息的应用。 随着高光谱遥感影像的空间分辨率的增加, 高光谱影像中相同类别的地物在空间分布上呈现聚类特性, 将空间特性有效地应用于高光谱遥感影像分类算法对分类精度的提升非常关键。 但是, 高光谱影像的高分辨率提供空间聚类特性的同时, 在不同地物边缘处表现出的差异性更加明显, 若不对空间邻域像素进行甄选, 直接将邻域光谱信息引入, 设计空谱联合稀疏表示进行图像分割, 则分类误差较大, 收敛速度大大降低。 将光谱角引入空谱联合稀疏表示图像分类理论中, 提出了一种基于邻域分割的空谱联合稀疏表示分类算法。 该算法利用光谱角计算相邻像素的空间相似度, 剥离相似度较低的邻域像素, 将相似度高的邻域像素定义为同类地物, 引入空谱联合稀疏表示模型中, 采用子联合空间追踪算子和联合正交匹配追踪算子对其优化求解, 以最小重构误差为准则进行分类。 选取AVIRIS及ROSIS典型光谱影像数据进行实验仿真, 从中可以看出, 随着光谱角分割阈值的提高, 复杂的高光谱影像分类精度和平滑区域的高光谱影像分类精度均逐步提高, 表明邻域分割在空谱联合稀疏表示分类中的必要性。

通过SLIC 分割算法将图像分成多个超像素区域后，利用重构误差进行视觉显著性检测。首先提取图像边缘的超像素区域作为背景模板，然后利用这些模板构建两重外观模型：稀疏外观模型及稠密外观模型。对于每一块图像区域，首先计算稠密重构误差及稀疏重构误差，然后利用K 均值聚类方法得到的上下文对重构误差进行传播，再利用贝叶斯准则融合稀疏型检测结果及稠密型检测结果，最后通过综合多尺度重构误差信息及修正的目标基高斯模型信息实现像素级显著性检测。

针对高光谱分类中对光谱信息和空间信息利用不足的问题，提出了一种基于稀疏表示模型和自回归模型相结合的分类算法。该算法利用稀疏表示模型和自回归模型，设计联合字典：在光谱维上，利用稀疏表示模型将高光谱的每个光谱向量表示为字典中训练样本的稀疏线性组合；在空间维上，利用自回归模型对每个光谱向量的8邻域进行约束。针对不同样本分别构造一个字典，在减少计算量的同时减小重构误差，最后在最小重构误差和邻域相关性的约束下求解稀疏表示问题，以最小重构误差为准则实现高光谱数据的分类。仿真结果表明，该方法能够有效地提高高光谱数据的分类精度。

分析了Hartmann-Shack传感器组装误差的种类,导出了旋转误差和倾斜误差的校正矩阵,在进行波前重构时乘以校正矩阵可以校正对应的组装误差.分析了两种由于组装误差导致的波前重构的相对误差的公式,并以含52个子孔径的圆形Hartmann-Shack传感器为例进行了数值模拟.研究结果表明:若不对两种组装误差进行校正,将会限制Hartmann-Shack传感器测量精度的进一步提高.为Hartmann-Shack传感器的装配提供了理论依据.