本文以高光谱图像数据的特征和分类算法研究为背景,对于光谱曲线形状特征、高光谱分类实现以及应用中的若干关键问题展开研究,主要的研究内容和成果包括:高光谱的高维特性使得曲线形状特征描述的研究成为可能,该研究有着特定的广泛应用前景,例如使用实验室样本学习高光谱卫星数据,这两种数据幅度不一样,但特征曲线形状是相似的。然而现有的曲线形状并不太多,有待进一步研究。SAM光谱角算法是目前广泛使用的算法之一。本文分析了SAM算法的数学性质,针对光谱库内样本间的差异和相似性,提出了一种基于类内相似性的波段选择算法。该算法选择出同类样本的相似波段子集,然后利用这些波段子集计算样本间的光谱角。高斯似然分类是高光谱分类中应用最广泛的方法之一,然而分类速度和高光谱的高维特点制约了其在高光谱分类中的进一步应用。本文分析了高斯似然分类错误率和Bhattacharyya距离的关系,同时推导出在独立特征条件下Bhattacharyya距离具有相加的性质,在这些基础上提出了一种新的特征选择算法,有效地降低了需要处理的维数,加速了高斯似然分类的速度,并遏制了维数增多分类精度下降的Hughes现象。由于高光谱的细分能力,参与分类的类别数量会越来越多,从而类的定义变得很重要。因为常用的算法一般同时处理多个类别,增加了决策边界的难度。本文提出了一种新的用于高光谱分类的类对决策树,该决策树不需要分开合并,原C类问题被分解成一组两类问题。这里所有的两类都是原有类别。该决策树一次分类所需的两类分类次数少,加速了分类过程,同时需要较少的处理层次,减少了累积误差的可能。基于以上创新,作者已发表和录用论文三篇,其中根据第三部分思想整理的论文已被于SCI检索的国际期刊International Journal of Remote Sensing录用。