地形识别一直是图像处理与模式识别的热点与难点。针对非结构化地形中的特征提取、特征选择以及识别等问题,本文进行了相应的研究并提出自己的观点与解决办法。其中主要的工作与创新点包括:(1)针对非结构化地形识别的特点,详细介绍了当中需要使用到的包括稀疏编码、子空间谱聚类、流形学习以及支持向量机的算法与原理。(2)提出一种具有低秩稀疏分解与具有空间信息结构的组稀疏分组特征的特征提取方法。首先,我们对非结构化地形图像进行低秩稀疏分解,在分别对稀疏矩阵与低秩矩阵处理。在分解后得到的矩阵上分别进行子空间谱聚类得到字典,解决非结构地形中分界不明显问题;针对强弱判别信息的研究,利用字典进行特征编码方式进行研究。这里研究的重点是如何将组稀疏对特征进行分组,引入特征选择机制以在地形图像稀疏化过程中同时选择最少且具有最优信息的特征。然后,对得到的特征进行金字塔化组合,增强特征的全局空间信息。最后,用特征值多平面向量机进行地形识别,并在数据集上验证该地形识别算法的可靠性。(3)提出一种基于格拉斯曼流形的谱聚类组稀疏分组算法,解决对低秩矩阵和稀疏矩阵进行学习时,由于图像的高维度以及复杂的数据结构造成的字典效果不理想问题。通过引入流形学习,定义了聚类样本点之间的测度距离。在稀疏子空间中,使用基于格拉斯曼流形的谱聚类算法进行字典学习。在数据集上验证提出算法的可靠性。(4)在以上的研究基础上,在进行特征选择时,本文提出一种利用流形聚类时得到的特征点之间余弦距离用于对特征进行加权处理的改进算法。在流形空间上,通过对每类样本流形邻域范围内的特征点进行加权,加强了使用的基于外罚理论的孪生支持向量机的特征选择能力。有效的结合了孪生多平面向量机与本文提出的地形识别框架,并在数据集上验证算法的有效性。