高光谱遥感影像能够提供丰富的空间和光谱信息,为精确地物信息分析创造了有利条件,因此被广泛应用于环境监测、地质勘探、精确农业、军事监测等多个领域。近年来不断发展的高光谱成像技术为遥感对地观测技术带来了新机遇,但同时也对现有的影像处理技术提出了新的挑战:受成像设备与外部环境等因素的影响,传感器在获取高光谱分辨率影像数据的同时不可避免的引入了空间维和光谱维的噪声,噪声的存在不但降低了影像的质量,而且限制了后续的影像分析与应用;高光谱遥感影像中的“同物异谱”和“异物同谱”现象,使得类内差异变大、类间差异减小,单独利用光谱信息难以实现高精度场景分类识别;光谱分辨率的提高带来了数据维度的增长,但传统的分类识别算法在处理高维数据时通常面临“休斯效应”,为实现高维数据、小样本情况下的快速精确解译对传统分类识别算法提出了更高的要求。本论文在深入总结和分析高光谱图像处理研究现状的基础上,针对高光谱遥感数据在影像获取和场景解译两个方面存在的问题,结合高光谱影像自身在空间域和光谱域的特性,研究了高性能影像恢复与分类识别技术,并通过在真实高光谱遥感数据上的实验验证了本文提出方法的有效性和优越性。具体研究内容如下:(1)针对随机噪声引起的高光谱遥感影像降质问题,本文提出了基于空谱自适应稀疏表示的影像恢复方法。该方法通过光谱自适应波段分组和空间自适应相似区域搜索,获得光谱相关—空间相似的像素簇,然后通过空谱自适应联合稀疏分解与重构去除影像中的噪声成分,实现无噪声影像的恢复。该方法的特点是:结合光谱信号的稀疏特性,并充分利用高光谱影像中的光谱相关信息与空间相似信息,有效去除影像中的随机高斯噪声,实现空谱特性高保真的影像恢复效果。实验中,对比了逐波段的影像恢复方法以及几种不同的空—谱信息联合的影像恢复方法。结果表明:本文方法在目视结果和空谱特性保真度客观评价指标上均具有优势,验证了本文方法在解决高光谱遥感影像恢复问题上的有效性和可靠性。(2)针对传统的像素级分类方法容易受到“同物异谱”和“异物同谱”现象影响、导致分类结果不精确的问题,本文提出了基于点集对点集距离测度的空谱分类方法。本方法首先结合高光谱影像中局部空间区域的地物分布特性,利用超像素分割技术获取局部区域的同类测试点集,并从训练样本获取训练点集;然后,通过计算点集对点集的最小凸包距离,获取每个超像素对应的测试点集的共同类别标签。一方面,结合形状自适应的局部空间信息和点集内的光谱相似信息,并利用点集对点集距离测度来获取分类标签,能够有效避免类似“椒盐噪声”的分类结果,提升整体分类精度;另一方面,与像素级分类方法相比,超像素级面向对象的分类方法能够有效提升分类算法的计算效率。实验中,对比了不同的空谱联合分类算法。结果表明本文提出的基于点集对点集距离测度的分类方法在整体分类精度和计算效率上都能得到有效的提升。此外,由于农田场景的高光谱影像中包含大量同质区域,基于点集对点集距离测度的超像素级分类方法对这类场景的分类具有十分明显的优势,证明了该方法在农业制图上的实用价值。(3)针对单分类器在分类识别中的分类精度受限和算法鲁棒性不足的问题,本文研究了多分类器融合机制并用于解决高光谱遥感影像分类问题,提出了一种融合像素级支持向量机分类器和超像素级联合稀疏表示分类器的空谱分类方法。基本步骤如下:首先,利用支持向量机分类器获取像素级分类结果;然后,结合超像素分割技术和联合稀疏表示分类器获取超像素级分类结果;最后,通过自适应地融合两种不同分类器获取的分类结果,并利用最大后验概率准则,对最终的类别标签进行联合估计。与单独的像素级支持向量机分类方法和超像素级联合稀疏表示分类器相比,本文提出的多分类器融合分类方法能够有效利用不同分类器的优势,实现边缘结构区域与同质区域分类精度的同步提升,获得鲁棒性更高的分类性能。此外,实验中还对比了其他联合空谱信息的分类方法。结果表明本文提出的多分类器融合分类方法在农田场景和城市场景中都能获得更优的分类结果,证明了该方法在不同场景中的实用价值。(4)针对单特征在表达图像特性上的单一性以及在小样本情况下难以有效提升分类精度的问题,本文深入分析了亚像素级、像素级和超像素级特征在表达高光谱影像空谱信息上的互补性,研究了基于多特征融合的空谱分类方法,设计了特征级融合和决策级融合分类框架,结合亚像素级光谱混合信息、像素级结构变化信息以及超像素级局部空谱相似信息,通过有效的融合分类策略实现分类,提升不同类别地物之间的可分性。在特征级融合框架中,由不同的特征分别引导出对应的核空间函数,并通过线性求和方式形成更具可分性的合成核;然后,利用合成核支持向量机实现融合分类。在决策级融合分类框架中,首先基于不同的特征,利用支持向量机估计初始分类概率;然后,自适应结合多个初始分类概率,并通过求解最大后验概率估计问题获得最终分类结果。实验中与不同基于多特征融合的空谱分类方法进行对比,实验结果证明:本文提出的基于多特征融合的分类方法能更全面地描述高光谱影像中丰富的空—谱信息,有效提升小样本情况下高维光谱数据的分类性能,为高光谱遥感数据的场景识别分类提供了新思路。