针对传统城墙病害检测采用人工勘测方法，检测效率较低且易受到主观因素干扰等问题，提出一种基于卷积神经网络的城墙多光谱成像病害无损检测方法，利用最小噪声分离方法对城墙多光谱成像数据进行预处理，降低数据维度的同时保留原始数据特征，减少数据噪声；为解决城墙不同病害类型的像素混杂多样造成分类准确率较低的问题，利用卷积操作对城墙病害进行特征提取，保留最重要的特征并去除无关特征，稀疏网络模型；通过全连接层对提取到的特征进行整合梳理和分类，并加入两次dropout防止过拟合问题的出现。最后在城墙多光谱数据集上，使用训练后的卷积神经网络分类模型对城墙病害进行像素级分类检测，并将预测结果进行可视化展示。实验结果表明：总体精度和Kappa系数分别为93.28%和0.91，表明所提方法是有效的，该方法对提高城墙病害检测准确率、掌握城墙病害分布具有重要意义。

高光谱图像分类是利用高光谱数据图谱合一且光谱信息丰富的特点, 对图像中的每个像素进行分门别类, 以达到对地物目标进行高精度分类和自动化识别的目的, 是对地观测的重要组成部分。在分析高光谱图像特点的基础上, 本文从普通机器学习和深度学习这两方面对高光谱图像像素级分类的研究进展及效果进行总结、评述和比较, 通过具体实验的结果对比, 直观地展现各种算法的优劣。针对高光谱分类问题, 本文从两个方面对今后的研究方向及发展前景进行了分析和展望。一方面, 在算法研究上, 高光谱图像分类算法可在保证分类精度的前提下降低算法的复杂度, 利用多源遥感数据、多特征综合、多尺度复合, 提升小样本、少参数分类模型的分类精度, 适应智能化、快速化高光谱遥感对地观测的发展要求; 另一方面要紧密结合市场应用需求, 重视高光谱图像在实际中的应用, 研究具有市场竞争力的高效分类算法, 提升高光谱图像分类在遥感技术应用领域的竞争力。