高光谱遥感是20世纪80年代发展起来的一个重要遥感方法,可以在连续的几百个波段上获得目标图像。与传统遥感相比,高光谱遥感具有很高的空间分辨率和光谱分辨率。目前,高光谱遥感已经广泛应用于各个领域,并成为国际研究热点。然而高光谱图像的优点也带来了相应的问题,比如高光谱图像的多谱段、大数据量、多冗余信息等。这些问题都给高光谱图像实际研究、应用带来新的挑战,包括高光谱图像滤波、高光谱图像降维、高光谱图像特征提取、高光谱图像分类识别和混合像元分解。本学位论文针对高光谱图像本身的特点和挑战,从特征提取、图像去噪、图像降维等方面入手,提出了多种高光谱图像高精度分类算法。本学位论文的主要研究内容如下:　　(1)提出基于小波阈值降噪和经验模态分解的高光谱图像分类算法。本学位论文结合高光谱图像小波滤波和经验模态分解特征提取的优点,提出基于小波阈值降噪和经验模态分解的高光谱图像分类算法(WTD-EMD-SVM)。仿真试验表明,该方法有效地提高了高光谱图像的分类精度,减少了支持向量器分类过程所需的支持向量数和分类时间。　　(2)提出基于集合经验模态分解的高光谱图像分类算法。针对高光谱图像经验模态分解(EMD)存在的模态混合效应,本学位论文采用集合经验模态分解(EEMD)提出基于集合经验模态分解的模态混合解决算法。在模态混合解决的基础上，进一步提出了基于二维集合经验模态分解的高光谱图像分类算法(2D-EEMD-SVM)。仿真实验表明,该方法的性能优于2D-EMD-SVM算法,具有更高的分类精度。针对2D-EEMD-SVM方法中高光谱图像EEMD处理时间长这一问题,分析了EEMD大运算量的根源,并提出了快速EEMD算法(F-EEMD),通过互信息阈值方法选择合适的IMF筛选次数K和加速、分解次数N,实现了EEMD的快速运算。在F-EEMD的基础上进一步提出基于快速集合经验模态分解的高光谱图像分类算法(F-EEMD-SVM)。仿真实验表明,该方法有效地减少了高光谱图像EEMD处理时间,并且保留了2D-EMD-SVM算法的性能。　　(3)提出三种基于波段选择和经验模态分解的高光谱图像分类算法。针对高光谱图像的多冗余信息、高维数和噪声的影响,提出基于互信息波段选择和经验模态分解的高光谱图像分类算法(MI-EMD-SVM)。该方法通过互信息波段选择,实现高光谱图像降维,减少高光谱图像波段间的冗余信息;通过经验模态分解,实现对高光谱波段子集的特征提取,提高高光谱数据的可分性。针对MI-EMD-SVM算法对真实地物信息的依赖性,提出基于参考图互信息波段选择和经验模态分解的高光谱图像分类算法(RMI-EMD-SVM)。该方法根据高光谱图像的关键谱带生成了高光谱数据的参考图,并在参考图的基础上进行互信息波段选择。仿真实验表明,该方法很好地解决了MI-EMD-SVM对真实地物信息的依赖问题,具有广泛应用前景。针对MI-EMD-SVM和RMI-EMD-SVM缺乏考虑波段间冗余信息的影响,本学位论文分析和计算高光谱波段间的冗余互信息,根据冗余互信息最小化原则提出基于冗余互信息波段选择和经验模态分解的高光谱图像分类算法(ERI-EMD-SVM)。仿真实验表明,该方法很好选择出了互信息最大的波段组合,获得了高精度分类结果。　　(4)提出基于经验模态分解特征选择的高光谱图像分类算法。Demir等人提出的基于经验模态分解高光谱图像分类算法(2D-EMD-SVM)中特征选择方法缺乏科学性。针对这一问题,本学位论文分别采用互信息和非线性相关系数对经验模态分解后的图像特征进行分析、选择,提出基于经验模态分解互信息特征选择的高光谱图像分类算法(2D-EMD-MI-SVM)和基于经验模态分解非线性相关系数特征选择的高光谱图像分类算法(2D-EMD-NCC-SVM)。仿真实验表明,2D-EMD-MI-SVM和2D-EMD-NCC-SVM都选择出可分性强的高光谱图像特征,实现了高光谱图像分类精度和速度的提高。