高光谱影像处理与分析是高光谱遥感的核心技术,高光谱影像数据的高维小样本、非线性数据结构等特点以及混合像元的广泛存在、空间信息利用不足等问题,严重制约着高光谱影像处理和分析的发展与应用。为了提高高光谱影像的处理精度和效率,针对高光谱影像处理和分析中存在的问题,本文结合低秩表示、张量空间和流形学习等理论知识,围绕高光谱影像噪声去除、特征提取和模糊分类展开研究。论文研究的主要内容和创新点如下:1.阐明了高光谱影像处理和分析的发展现状及亟需解决的若干问题,归纳了现有高光谱影像分析中的理论和方法,分析了稀疏核学习模型、低秩表示和张量空间等机器学习模型在高光谱影像处理和分析中的应用潜力和存在问题。2.针对传统高光谱影像低秩表示去噪方法无法保持影像多元几何结构信息的问题,提出一种基于局部超图拉普拉斯约束的高光谱影像低秩表示去噪方法。一方面,在低秩表示模型中增加超图拉普拉斯正则项,保持数据间多元几何流形结构;另一方面,对低秩模型系数矩阵增加稀疏、非负约束条件,能够进一步提高模型对影像局部信息的保持能力,这使得模型不仅能够恢复具有低秩性质的影像信号分量,而且可以很好地保持影像的多元几何流形结构。高光谱影像实验表明,所提方法更好地保持了影像的空间和光谱信息,有效地改善了高光谱影像去噪效果。3.针对当前基于张量结构的特征提取方法不能充分利用高光谱影像多种光谱-空间特征的问题,提出一种融合光谱-空间多特征的高光谱影像张量型特征提取方法。首先,利用3D Gabor滤波器提取不同频率和不同方向的纹理特征,采用形态学属性滤波器提取不同属性和不同尺度的形状特征,将高光谱影像光谱特征、纹理特征和形状特征结合为张量结构特征;然后,利用局部张量判别分析方法增大同类特征张量之间的相似性以及异类张量间的差异性,得到融合多种空谱特征和判别信息的低维特征张量。实验表明,所提方法能够有效地保持影像空谱信息和类别间的判别信息,与分类方法结合用于影像分类时,不仅有效地提高了高光谱影像的分类精度,而且能够得到空间连续性更好的分类图。4.在分析现有稀疏核分类模型的优势和不足的基础上,将基于概率分类向量机的方法用于高光谱影像模糊分类实验。在贝叶斯理论框架下,概率分类向量机为基函数权值引入截断Gauss先验概率分布,使得不同类别的基函数权值具有不同符号的先验分布,并利用EM算法进行参数推断,得到足够稀疏的概率模型,弥补了稀疏核分类模型选取错误类别的样本作为非零基函数的不足,从而有效地提高了模型的分类精度和稳定性。高光谱影像模糊分类实验表明,概率分类向量机能够很好地应用于高光谱影像模糊分类,得到更加精确的分类结果。