针对全波形激光雷达和多光谱数据下土地覆盖误分类问题，提出了融合陆地卫星（Landsat）多光谱遥感影像数据和星载全波形激光雷达全球生态系统动态调查（GEDI）数据进行土地覆盖分类的方法。首先，根据实地调查数据建立数据集；然后，采用支持向量机（SVM）方法来实现激光雷达足迹的土地覆盖分类；最后，对土地覆盖的分类结果进行评价。结果表明，在SVM方法下联合使用光谱特征和波形特征的总体准确率可以达到90.68%，相比仅使用光谱特征或波形特征时总体准确率可以提升8个百分点以上。融合光谱特征和波形特征的方法可以提高土地覆盖分类的准确性。

针对未知物体的分类问题，提出了一种基于支持向量机和关联成像的分类方法。该方法利用线性判别分析法提取出物体的特征向量，并根据该特征向量设计出应用于关联成像系统的特征散斑，将特征散斑照射物体获得桶探测器值，支持向量机可以依据桶探测器值进行判别从而获得物体的类别。该方法的可行性在MNIST数据集上得到了验证，结果表明，该方法在10个分类任务中均可取得较高的分类准确率，平均分类准确率达90.5%。与其他分类方法的对比结果表明，所提方法在准确率上更具优势。

耐热钢微观组织及机械性能会随着服役过程发生退化，对老化状态的实时快速监测对安全运行及生产具有重要意义。基于便携式激光诱导击穿光谱（LIBS）设备对获取的T91光谱特征进行降维并优化了老化等级评估模型，实现了对T91耐热钢老化等级的快速诊断。分别采用主成分分析与线性判别式分析（LDA）的降维方法，对光谱特征进行优化精简。而后基于降维后的数据，进一步采用K最近邻算法和支持向量机（SVM）算法来建立金属老化等级评估模型，讨论了建模关键参数选择对模型性能的影响。结果表明，经过LDA降维的光谱数据能实现更好的聚类分布，可有效提高评估模型的准确率。同时，应用LDA-SVM模型能获得最高的老化等级评估准确度，达94.58%。所采用的模型建模方法可有效实现基于便携式LIBS的T91耐热钢老化等级评估。

提出一种基于偏振比检测和支持向量机的颗粒物实时检测与分类方法。采用双波长的半导体激光器作为光源，使用高灵敏度的雪崩光电二极管分别测量散射光的两个偏振分量，计算出单个颗粒散射光的偏振比，从而实现颗粒分类与识别。结合支持向量机算法与神经网络模型可进一步提升颗粒物的分类精度。针对所研究的二元及三元分类场景，分类精度分别由64%和83%提升至100%和98%。该方法在制药、化妆品以及工业生产控制与检测等领域具有很好的应用前景。

针对Al5083纳秒激光划片过程中产生沟槽和凸起两种轮廓的问题, 研究了不同工艺参数下产生轮廓与映射声信号的关系。开展Al5083薄板纳秒紫外脉冲激光划片试验, 观察轮廓的微观形貌, 探究轮廓形成机制; 采集声发射信号, 小波包变换后分析声信号的差异性, 并开展支持向量机分析。微观观测结果表明, 凸起轮廓的成形机制包括熔融金属溅出受阻和凝固时产生的大量气孔。声信号分析结果显示, 沟槽轮廓对应的小波包分解系数的方差和包络面积显著高于凸起轮廓; 以小波包分解后的频谱为特征向量, 添加标签后使用高斯核支持向量机分类, 分类准确度达92.57%, 验证了小波包变换和支持向量机的结合在基于声信号的轮廓监测中的可行性, 为构建基于声发射的激光划片监测系统提供可行的技术路径。

大量的训练样本可有效缓解模型过拟合，从而提高分类效果。在初始标记样本较少的情况下，开展借助不同尺度的同质区快速扩增大量高精度训练样本的实验，并利用初始标记样本和扩增样本训练支持向量机（Support Vector Machine, SVM）分类器，实现对高光谱数据的有效分类。该方法在Pavia University、Salinas和Indian Pines三种高光谱数据上均能获得大量高精度的训练样本，分类精度分别达到99%、99%和97%以上。实验结果表明，扩增的大量伪标签样本可以有效训练SVM分类器，提高分类效果。

针对市场中存在广陈皮年份造假、 以次充好等问题, 提出一种基于黑寡妇优化算法(BWO)和支持向量机模型(SVM)的广陈皮陈化年份高光谱鉴别方法。 以四类陈化年份(5~20年)的广陈皮作为实验对象, 采集样本的高光谱图像数据(385~1 014 nm波长), 通过镜头校准和反射率校准后提取样本感兴趣区域的平均光谱数据。 首先, 采用多项式平滑算法(SG), 结合多元散射校正算法(MSC)和去趋势算法(detrend)对数据进行降噪处理; 然后, 分别采用连续投影算法(SPA)、 竞争性自适应重加权与逐步回归混合算法(CARS_SR)筛选出特征波段; 最后, 提出以均方根误差(RMSE)为适应度函数, 分别使用偏最小二乘判别分析模型(PLS)、 粒子群算法优化SVM模型(PSO-SVM)和蝗虫算法优化SVM模型(GOA-SVM)对广陈皮的陈化年份进行鉴别, 并通过采用BWO算法优化SVM模型(BWO-SVM)来得到鉴别模型的最优参数。 结果发现: SG_detrend算法对广陈皮高光谱数据具有较好的降噪能力, CARS_SR算法具有较好的特征信息提取能力; 与PLS、 PSO-SVM和GOA-SVM相比, BWO-SVM算法可以得到更好的鉴别模型控制参数; SG_detrend-CARS_SR-BWO-SVM模型对广陈皮陈化年份的鉴别准确率达到97.59%, RMSE为0.060 2, R2为0.952 9。 该工作为实现广陈皮陈化年份的快速无损鉴别提供了新方法, 也为便携式鉴别仪器或在线生产设备研发提供了理论依据。

高光谱遥感技术能够更细致地检测出岩矿的光谱特征, 为高光谱岩矿识别提供了强有力手段。 基于特定吸收特征波段的高光谱岩矿识别模型依赖很高的先验知识且难以满足区分不同类型岩石的要求, 因此探索建立准确、 高效的高光谱岩石自动识别模型具有重要意义。 在禄丰恐龙谷地区采集三类典型的沉积岩(泥岩、 砂岩和灰岩各21个)作为目标样本, 采用ASD FieldSpec3地物光谱仪获取沉积岩样本在350~2 500 nm范围内的高光谱数据, 对原始光谱进行一阶微分、 连续统去除变换并分析其光谱特征, 采用连续投影(SPA)、 竞争性自适应重加权采样(CARS)和迭代保留信息变量法(IRIV)三种特征变量选择算法选取原始光谱及其变换光谱中的特征波长, 基于全波段和特征波长数据分别建立支持向量机(SVM)和随机森林(RF)识别模型。 结果表明: 三种特征变量选择算法对高光谱数据都具有较好的降维效果, 从原始光谱及两种变换光谱选取出的特征波长数量在7~59个之间。 综合光谱变换处理与特征变量选择算法进行模型测试对比试验, 发现组合连续统去除-SPA-SVM模型方法在识别三类目标沉积岩上的表现最好, 其识别精度为0.952 4, 此时选取出用于输入模型的特征波长数量为10个, 只占全波段的0.5%, 大大降低了模型的运算量, 其中2个特征波长位于550 nm附近的Fe2+和Fe3+吸收带, 2个位于900 nm附近Fe3+吸收带, 5个位于1 900和2 200 nm附近的水分子、 羟基吸收带, 其分布可以较好地反映沉积岩化学成分差异导致的光谱吸收特征规律。 实验结果表明采用光谱变换与特征变量选择算法进行高光谱沉积岩自动识别是可行的, 能为高光谱岩矿识别方法提供参考。