随着传感器技术的发展,高(空间、光谱)分辨率遥感数据为我们提供了更详细的空间、光谱细节信息,为精确分析地表信息创造条件的同时,又对现有的影像处理算法提出了新的挑战。受成像技术的影响,传感器在获得更高分辨率的数据时将更容易引入噪声,影像质量的劣化不利于后续解译；空间、光谱分辨率的不匹配导致“同物异谱”和“异物同谱”现象发生,单独的光谱信息无法满足精确解译的需求：分辨率的提高带来数据量和数据维度的增长,大数据、高维度对传统影像解译算法提出了更高的要求。针对遥感数据在上述数据获取、特征提取和特征解译三个阶段存在的问题,本文在现有的遥感影像解译工作的基础上,结合(空间、光谱)分辨率遥感数据的自身特点,以多维度分析为主线,建立一个完整的张量遥感影像处理框架,分别实现张量影像降噪、张量特征提取、张量分类和变化检测,提升信息处理分析能力。在论述具体算法之前,本文首先简介了多维线性代数理论和张量,接着讨论遥感影像的张量表达形式。随后展开的研究内容如下：(1)对遥感影像的噪声问题,本文首次将张量模型引入遥感影像降噪处理中,分别研究了Tucker3张量分解和PARAFAC张量分解在影像降噪处理中的可行性。算法的特点是利用了数据的空间-光谱互补信息,达到保持光谱连续性的同时实现高保真降噪的目的。实验对比两种逐波段降噪算法和空-谱自适应的非局部全变分模型,结果证明本文算法在目视解译和保真度定量评价上占据优势,验证了算法去除高(空间、光谱)分辨率遥感影像中噪声的有效性和可靠性。(2)当前的特征提取技术主要着眼于二维数据的空间相关特性,忽略了光谱-空间存在的潜在关系。本文提出了两种面向遥感影像的三维纹理提取算法：张量离散小波(3D-DWT)特征提取算法和张量方向金字塔(VTE)特征提取算法。算法的特点是将高光谱数据视为整体,同时提取数据在各维度上的变化信息,克服逐波段特征统计无法保持空间-光谱相关性的缺陷,改善特征受背景干扰和目标变形的影响。为兼顾局部三维纹理的提取和计算效率,本文讨论了三种局部统计策略：像素级、窗口级和重叠窗口级策略。实验对比经典二维纹理和新型三维纹理,本文算法在辅助影像分类占据明显优势。(3)在影像分类应用中,本文提出了多类支持张量机分类框架。以SVM为代表的线性信息提取算法需要向量化多维时-空-谱特征进行分析,将导致空间(结构)约束上的信息丢失。本文算法针对高维特征不能直接被经典分类器使用的问题,将经典支持向量机分类器扩展到张量特征空间中,基于最小化结构风险寻找高维流形空间中能区分样本的分类超平面,并通过一对一策略泛化为多类别分类；分类框架中加入多维主成分分析,在保持特征高维特性的同时进行维度降低,以克服高维数据潜在的]Hughes效应。实验在四组代表性遥感影像中对比本文算法和经典分类算法,同时分析了分类框架中的各模型参数对最终分类表现的影响。(4)在变化检测应用中,本章提出了融合空-谱变化张量分析的遥感影像变化检测算法,算法利用张量小波描述空-谱变化特征,接着对特征进行差值分析和信息融合克服特征维度的影响,随后加权融合来自光谱和空间的变化判别信息实现自动化非监督变化检测。通过武汉地区资源三号高空间分辨率影像进行算法验证,证明算法一方面为高(空间、光谱)分辨率遥感数据的精确变化检测提供了新的思路,也进一步验证了本文提出的张量小波纹理相对传统纹理算子能更全面地描述数据丰富的空-谱信息。