从20世纪后半叶开始，来源于多光谱传感器的遥感图像就已经在农林业、生态学、大气科学等多种地球观察应用中表现出了巨大的应用价值。然而对于区分愈发复杂的地面覆盖来说多光谱传感器的波段数目已经不够，尤其当需要区分同一地物的多种类别时，传统方式所采集的信息明显不足。超光谱传感器的问世可以解决这个问题。超光谱传感器同时测量几百个狭长而连续的谱带，覆盖了从可见光到中远红外的区域，增加的波段使得排除各种类别之间的重叠信息成为可能，并且提高了鉴别微小差别种类的能力。在实际应用中，高维特征空间中的采样点集合会造成所谓的维数灾难现象，即随着采样点的增多，高维特征空间将成指数倍地增加运算复杂度。此外，高维数据也加重了运算负荷、通信带宽以及存储空间需要量。　　本文以超光谱图像为背景，对模式分类系统所涉及的分类器设计、特征选择及系统评价问题进行了研究。其中，针对分类器设计这一核心问题，分别从相关分析和概率统计方面入手，研究了适用于超光谱数据分类的核方法。本文的主要内容包括：　　针对超光谱图像多分类器设计问题，提出了基于概率统计技术的一对一策略波段加权核方法。在支持向量机的算法框架下，分别采用来源于概率统计学中的几种Bayes最小分类误差上界对各子分类器所处理的两个分类对象进行可分性度量，并将其用作波段加权核函数的系数。这样，每个子分类器可以利用一个基于可分性度量的加权向量来优化分类，而对整个多分类器而言，即得到一个优化加权矩阵。接着，分析了各子分类器在专属优化下的分类误差，指出了剔除加权矩阵中小样本可分性度量对所提方法的必要性，并据此对算法做出进一步优化。实验表明，所提方法能够提高分类精度，对传输带宽受限的较少波段图像，提高则更为明显。　　提出了基于相关分析技术的超光谱分类核方法。利用相关分析技术提取超光谱数据立方体中未被分类器所利用的谱间信息，将其作为加权向量应用在核函数内部，使各子分类器得到一致优化，使得有用分类信息较多的波段在分类中发挥更重要的决策作用，进而提高分类精度。由于优化后的子分类器参数一致，因此可灵活地选择多分类策略。接着，采取两种方式生成加权向量：其一是利用各波段与相邻波段之间的互信息，具有无需任何先验信息的优点，但是需要完整的谱带才有效；其二是利用各波段与真实地物参考图的相关信息，具有不受波段数目影响的优点，但是需要参考图。继而设计了基于非线性相关系数的估计参考图自动生成算法，很好地替代了需要人工标定的真实地物参考图。对于方式二，又分别选取了归一化互信息和非线性相关系数这两种相关分析技术，实验表明基于后者的核方法在分类性能上更具优势。　　提出了基于多维互信息简化算法的超光谱图像波段选择方法。选择准则采用多维互信息，具有无需对象服从任何分布的优势，同时由于互信息在计算过程中不涉及图像中各类别间的区分运算，因此无需在波段选择环节就确定后续分类任务的具体类别。然而多维互信息在实际应用中难以计算，将其分解后可得到若干个一维互信息以及若干个仍难以求解的一维条件互信息，但后者随着间隔波段的增大会逐渐减小，因此对其采取了直接删除及同质化概念替代这两种简化计算方法。只要不采用浮动搜索策略，这种不严格的删除或替代便不会导致选择过程被错误地终止。实验表明该方法优于公认有较好表现的平均Jeffreys-Matusita距离顺序前向选择方法，不仅所选择的波段用于分类后精度更高，而且在耗时方面优势明显。　　提出基于Tsallis熵冗余度的超光谱图像性能评价方法。在解决冗余式波段选择策略下分类器数据源的选取问题时，不可避免要度量蕴含在多变量之间的相关性信息，因而提出了基于Tsallis熵冗余度的多变量相关分析算法。在评价方法构造上，从重要信息含量以及波段间的相关性入手构造评价指数，并且采用所提出的多变量相关分析算法。评价方法被约减为两种指数，相比多指数综合评价方法不仅更节省运算时间，而且具有较少种类的算法限制条件。实验设计了多达780个的超光谱数据评价集合，结果表明所提方法能够胜任冗余波段序列的评价任务，并且基于2次Tsallis熵冗余度的评价方法比基于1次Tsallis熵的评价正确率更高、运算量更小。