端元提取是高光谱遥感图像混合像元分解的关键步骤。传统端元提取算法忽略了高光谱图像中地物空间分布相关性与非线性结构，制约了端元提取算法的精度。针对高光谱图像的空间关系与非线性结构，提出一种基于同质区分割的非线性端元提取算法。使用超像素分割方法将图像分割为若干同质区，利用流形学习构造高光谱图像数据的非线性结构，最后在同质区内提取端元并利用聚类方法优选端元。模拟和真实图像数据实验表明，该算法能够保证高光谱数据的非线性结构，端元提取结果优于其他传统线性端元提取方法，在低信噪比的情况下，可以保持较好的端元提取结果。

高光谱图像（HSI）在采集过程中易受到环境或者采集设备的干扰，遥感数据信息会受到大幅的损失，因此高光谱图像去噪是图像预处理的基本问题。设计去噪算法，将HSI划分为局部等分块，采用低秩矩阵约束表征局部特征，并在其基础上利用截断核范数最小化方法来分离出稀疏噪声，全局利用空间-光谱全变分正则化实现分离密度噪声和维持空间-光谱平滑性的目的，两者结合能高效去除高斯噪声、椒盐噪声等的混合噪声。对所提优化算法与其他4种近几年发表的去噪算法进行对比，平均结构相似度提高0.13，平均峰值信噪比提高1.10 dB，运用到不同强度的单一类型噪声中，平均结构相似度也能提高0.10。在实际图像的放大对比中，所提优化算法也有着明显的噪点去除效果。实验结果证明，所提方法对高光谱图像在局部特征表述上更加贴近，结合全局正则化方法后获得更明显的去噪效果，能够对高密度噪声和稀疏噪声有清除作用。

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统线性端元提取方法忽略了像元内地物的非线性混合因素, 制约了混合像元分解精度的提升。针对高光谱图像数据的非线性结构, 提出一种基于测地线距离的正交投影端元提取算法, 将测地线距离引入端元单体提取过程, 利用正交投影方法逐个提取端元。为了降低测地线距离计算量, 在端元提取前先利用自动目标生成方法和无约束最小二乘法对原始高光谱数据进行数据约减。模拟和真实高光谱图像实验表明, 该方法能够表征光谱数据中非线性因素, 端元提取结果优于传统自动目标生成端元提取方法。

在高光谱图像分类任务中，图卷积网络能够建模像素或区域间的结构关系和相似性关系。针对利用像素原始光谱特征计算节点相似度构造邻接矩阵不准确的问题，提出基于空间-光谱聚合特征的图卷积网络（S²AF-GCN），用于特征提取和像素级分类。以像素的空间位置为中心，聚合像素空间邻域内的其他像素特征，利用聚合后的像素特征动态更新与邻域内其他像素的权重，通过多次聚合，实现区域内像素特征平滑，得到像素的有效特征表示。然后利用聚合特征计算相似度并构图，获得更为准确的邻接矩阵，同时利用聚合特征训练网络，获得更好的分类结果。S²AF-GCN在三个常用高光谱数据集Indian Pines、Pavia University、Kennedy Space Center上利用1%的标记样本取得了85.51%、96.95%、94.92%的总体分类精度。

针对高光谱图像数据维度高、特征非线性以及标签数据获取难度大的特点,结合堆栈稀疏自动编码网络,提出了一种基于非局部方式特征融合的二级分类算法。与传统堆栈稀疏自动编码网络相比,光谱角匹配算法将找到的与被分类像元最相似的光谱信息堆叠形成新的光谱信息,然后输入到SoftMax分类器中进行一级分类;将满足条件的像元添加到训练数据集,用于堆栈稀疏编码网络的分类训练;最后根据空间邻域信息对分类算法进行修正,使分类结果更加趋于平滑。通过与其他分类算法进行对比,发现改进后的分类算法在各类别的分类精度较高,且可以有效改善高光谱图像分类效果。

针对KRX方法对高光谱图像进行异常目标检测时存在检测效率低和虚警率高的问题, 在充分分析高光谱图像数据特征基础上, 本文提出一种最优波段子空间方法的高光谱图像异常目标检测算法。该算法首先利用双边滤波方法对高光谱图像进行全局滤波, 充分利用双边滤波的优点, 使得高光谱图像背景信息得到抑制; 然后采用经典的自动子空间方法对高光谱图像进行波段子集划分; 再利用联合偏度-峰度指标, 在每个波段子集内选出最优波段; 最后利用这些最优波段构成新的波段最优子空间, 在此基础上, 在最优波段子空间中利用Kernel RX算法进行异常目标检测, 从而得到异常检测结果。本文利用真实的高光谱图像进行仿真验证, 获得异常目标、检测的虚警数和ROC等检测结果。结果表明, 该算法具有鲁棒性强、虚警率低和检测精度高等优点。

根据高光谱遥感图像数据维度高、空间相关性、特征非线性的特点,提出了一种基于深度学习的空-谱特征提取分类算法。首先在堆栈稀疏自动编码机中加入权重衰减项,再利用主成分分析方法对图像数据进行降维处理,然后根据主成分影像块内所有像元的第一主成分与中心像元间的差距对邻域信息进行排序、删除、重组和堆栈,最后将得到的空-谱信息输入到与SoftMax分类器相结合的堆栈稀疏自动编码机中进行分类。通过两组实验数据的对比,验证了所提分类算法可以提高高光谱图像的分类精度。

由于探测单元之间响应不一致、电子增益和偏置发生变化、焦平面污染和损伤等因素，推扫式热红外成像光谱仪获取的图像常常表现为图像列之间不均匀，条带噪声严重，影响了热红外高光谱遥感图像的后续处理和应用。结合推扫式成像光谱仪非均匀性的来源和成因，以相邻地物的相关性为理论基础，提出了适用于热红外高光谱遥感图像的非均匀性校正方法。该方法的步骤是，首先逐波段对原始热红外高光谱遥感图像进行标准矩匹配校正，得到标准矩匹配校正图像；然后，以标准矩匹配校正图像为基础，选择相邻两列像元中相同的地物像元；最后，用两列中相同的地物像元，通过线性回归得到后一列的校正系数，并对其进行校正，顺次遍历一个波段的所有列，完成一个波段图像的非均匀性校正。按照此过程，遍历一幅热红外高光谱遥感图像的所有波段，完成一幅热红外高光谱遥感图像的非均匀性校正。将该方法应用于推扫式热红外光谱成像仪实际获取图像的非均匀性校正中。结果表明，相比矩匹配方法，在保证非均匀性校正效果的情况下，本文方法的各列均值和标准差更符合实际情况。

为了增强高光谱遥感图像的分类效果,提出基于谱聚类和稀疏表示的两级分类算法。利用谱聚类将待分类的像元及其邻域内所有的像元分成两类,利用联合稀疏表示模型确定按规则选取的其中一类的具体类别,并以该类别作为像元的类。该算法充分利用高光谱图像的光谱及空间信息,两级分类过程均考虑了噪声及区域边界对分类效果的影响。进一步利用空间信息对分类算法进行修正,即关联邻近像元的类别,平滑分类结果。数值实验表明,该算法的分类精度高、稳定性好、抗噪性强。

高光谱遥感图像具有特征(波段)数多、冗余度高等特点, 因此特征选择成为高光谱分类的研究热点。针对此问题, 提出了空间结构与光谱结构同时保持的高光谱数据分类算法。考虑高光谱图像的物理特性, 首先对图像进行加权空谱重构, 使图像的空间结构信息自动融入光谱特征, 形成空谱特征集; 对利用最小二乘回归模型保存数据集的全局相似性结构的基础上, 加入局部流形结构正则项, 使挑选的特征子集更好地保存数据集的内在本质结构; 讨论了窗口大小和正则参数对分类精度的影响。对Indian Pines、PaviaU和Salinas数据集的实验表明, 该算法得到的特征子集的总体分类精度达到93.22%、96.01%和95.90%。该算法不仅充分利用了高光谱图像的空间结构信息, 而且深入挖掘了数据集的内在本质结构, 从而得到更有鉴别性的特征子集, 相比传统方法明显提高了分类精度。