高光谱遥感图像包含了丰富的空间、辐射和光谱三重信息，光谱分辨率在λ/100数量级，在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图像数据。高光谱遥感图像波段众多、信息量大，对地物光谱特性的测度细致、对物质的描述精确，为地物识别带来了一定的优势。但是波段间的信息相关性强、信息冗余多，也带来了一些挑战。高光谱遥感图像分类中一个重要的现象就是维数灾难（Hughes现象）。当用传统的监督分类方法对高光谱图像进行分类时，随着波段数目的增加，需要训练样本的数量急剧增加，获得大量的训练样本在高光谱遥感图像中要花费很多人力物力，有时甚至是很难做到的。高光谱遥感特征提取可以缓解Hughes现象，它一方面可以压缩数据量，并完成去噪的工作；另一方面通过特征提取，使目标的光谱特征更加明显，更有利于后续分类及信息提取工作。主成分分析（PCA）、最大/最小自相关因子法(MAF)、最小噪声分离变换（MNF）等线性变换法在高光谱遥感特征提取中应用广泛。但是高光谱遥感图像很多时候具有非线性的特点，线性特征提取方法容易照成信息丢失和失真。Scholkopf等于1998年对PCA进行扩展发展了非线性的核主成分分析（KPCA），此后国内外对KPCA展开了大量的研究，但是关于核最大/最小自相关因子法(KMAF)、核最小噪声分离变换（KMNF）的研究少见。高光谱遥感是一个崭新的领域，其数据绝大多数都是收费的。本文侧重理论与方法的研究，选用资料丰富的美国内华达州Cuprite矿区免费的AVIRIS高光谱遥感岩矿图像作为原始数据，研究基于核方法（KPCA、KMAF、KMNF）的高光谱图像岩矿特征提取以压缩数据量、提取对后续分类有利的特征；在特征提取后的数据上进行端元提取；研究针对高光谱遥感图像的分类及信息提取方法，主要是基于波谱特征和支持向量机（SVM）的高光谱图像分类。本论文取得的主要研究成果与创新认识如下：（1）设计及实现了基于核方法（KPCA、KMAF、KMNF）的高光谱图像特征提取方法。在PCA、MAF、MNF算法的基础上，引入核方法，发展KPCA、KMAF、KMNF非线性特征提取算法，并进行高光谱图像特征提取实验，探讨其参数对高光谱图像特征提取的影响，对比PCA、KPCA方法，KPCA、KMAF/KMNF方法进行高光谱图像特征提取的效果。表明KPCA、KMAF、KMNF算法的参数σ对算法的运算时间，没有大的影响；随着样本数目的增加算法的运行时间增加较快，但是在小样本情况下合理设置参数，KPCA、KMAF、KMNF特征提取算法即可以取得较好的效果；PCA、KPCA方法降维速度快，但降维后波段不是严格按图像质量排序； KMAF、KMNF降维效率低于PCA、KPCA，但是严格按图像质量排序，对于波段选择及后续图像分类，信息提取都很有利。（2）设计及实现了基于PCA、KPCA、KMAF/KMNF的PPI端元提取。基于不同的特征提取后的图像，采用PPI这种指导端元提取的方法，并利用N维散度分析人机交互最终确定端元并进行端元识别，发现：基于PCA特征提取后的图像由于压缩过快，可能丢失某些信息，在利用PPI进行端元提取的过程中会较多的依赖操作者的技巧，并且可能丢失部分端元；基于KPCA、KMAF/KMNF的端元提取考虑了图像的非线性特征，可以较多的提取端元； KMAF/KMNF变换后的图像严格按照图像质量排序，操作过程相对简单，且端元提取的效果较好。（3）实现了基于波谱特征的高光谱图像分类。利用编码匹配、光谱角填图（SAM）、波谱特征拟合（SFF）、匹配滤波（MF）、混合调制匹配滤波（MTMF）方法进行了高光谱图像分类实验及精度评价。表明编码匹配只适用于粗略的分类和识别；匹配滤波是一种快速的分类方法，会产生较多的虚假信号；SFF是一种基于吸收特征的分类方法，对于吸收特征比较明显的矿物识别率较高；SAM夹角值与光谱向量的模无关，也就是与图像的增益系数无关，只比较光谱在形状上的相似性；MTMF是MF和线性混合理论的组合，减少了MF虚假信号出现的概率，具有较高的分类精度。（4）对支持向量机（SVM）算法进行了改进，并将其应用到高光谱图像分类及信息提取中。深入探讨支持向量机的理论基础及其分类的基本原理。采用一对一方法将两类支持向量机问题推广到多类问题进行高光谱图像分类，并利用收缩和缓存技术来提高其效率。进行了基于SVM的高光谱图像分类实验，分析了数据维数、核函数及样本个数对分类的影响。发现SVM分类方法受数据的维度影响较小，具有一定的抗噪声能力；不同核函数对SVM分类结果影响不大；利用SVM进行分类时，合理设置有关参数，在小样本情况下也可取得较高精度，显示了利用SVM进行高光谱图像分类的优越性。（5）初步形成了一套科学实用的利用高光谱遥感图像提取岩矿弱信息的方法与技术流程。即首先对高光谱遥感岩矿图像进行辐射较正得到反射率数据；然后用核方法进行特征提取，达到降维与突出光谱特征的目的；基于降维后的数据提取端元并进行识别；最后基于波谱特征及SVM进行图像分类及信息提取。