高光谱图像因其精细的光谱辨别能力而受到广泛地关注,被用来对感兴趣地物的表面特性进行感知和识别。高光谱图像的特点对目标解译技术提出了严峻的挑战,很多问题至今仍未能得到很好的解决。本文旨在从类别辨别的歧义性入手,研究多核学习方法及其在目标解译中的应用,以提高解译精度和处理效率为目的,推动核方法在高光谱图像处理中的发展。本文的工作内容主要是研究以核机器学习理论为基础的高光谱图像信息挖掘和解译技术,具体包括以下三个方面:首先,本文详细阐述了高光谱图像数据的特点,重点分析了这些特点的优势和劣势,特别是对目标解译的影响,从机器学习的角度解释了这些特点会增加目标辨别的歧义性,降低解译精确度。接着,针对这些特点,研究了典型的单核学习方法及改进的加权核方法。指出了这些方法在类内、类间挖掘信息的局限性,论证了从单核模式感知到多核信息融合的必然发展趋势。然后,研究了多核学习的基本理论框架,针对现有方法的不足,本文提出用多尺度核相似性度量对多核学习进行合理地解释。以此为基础,提出了一种基于L2范数约束的多核相似性度量集成方法L2MKL,用以求解多核学习问题。通过高光谱图像精细分类的实验,证明L2MKL方法在分类精度和计算效率方面具有出色的性能,特别是避免了核尺度的优选问题。而且在处理小样本分类时,L2MKL方法的优势明显。最后,我们将多尺度核相似性度量推广到了更多的目标解译应用中。第一,研究了混合核方法,在核结构层面上进行空谱特征的融合分类,并嵌入多核相似性度量,在多尺度下挖掘空谱特征所包含的辨别性信息,同时提高分类器在图像和光谱空间中的泛化能力。第二,研究了基于图拉普拉斯的半监督学习方法,并构造基于多尺度图相似性度量的半监督分类器,改善了半监督决策函数的平滑性,提高了对有限先验知识的挖掘能力。第三,研究了基于支持向量数据描述的目标识别方法,通过引入多核映射,弥补了单核度量在决策紧致性和泛化性上的不足。这些多核嵌入的解译技术都在真实图像上获得了有效的结果。