高光谱遥感影像通常由几十到数百个光谱波段组成，这些光谱波段的反射比值一起组成了每个像元的光谱曲线。相同类型的像元一般具有相似的光谱曲线，而不同类型的像元的光谱曲线通常存在差异。利用这一点，可以区分不同的像元所属的地物种类，揭示像元对应的地面目标的内在属性。高光谱遥感影像既可以用于对不同物体进行分类，也可以用来帮助观察矿物含量、土壤湿度、植被健康、建筑组成以及其它肉眼不可见的细节。但是，较高的光谱维数，在带来丰富信息的同时，也存在休斯现象。因此，对高光谱遥感影像进行分类处理时，怎样从高维数据中提取出有效特征得到了众多研究人员的关注。
　　本文以光谱信息为研究对象，并基于图嵌入、流形学习和深度学习等理论，对高光谱遥感影像的特征提取展开研究。所做的主要工作有：
　　①介绍了高光谱对地观测成像传感器的发展历程和智能遥感的进展，分析了高光谱遥感影像特征提取的国内外研究现状，并详细介绍了几种经典的特征提取方法，作为后续的研究基础。此外，还介绍了三种高光谱遥感影像和相关的分类评判指标。
　　②提出一种局部重构Fisher分析方法(LRFA)用于高光谱遥感影像特征提取。局部几何结构Fisher分析方法在保留流形的局部结构信息时，使用原始像元和重构像元一起构建邻接图，投影到低维空间后，不能有效保持流形的整体结构。基于此，提出的LRFA方法首先使用类内近邻像元重构原始像元，再利用重构像元构建本征图和惩罚图，在低维特征空间中，既保持了流形结构的整体性，又提高了低维特征的可分性，获得了良好的判别特征，改善了高光谱遥感影像的分类性能。在Pavia University和Urban两个高光谱遥感影像数据集上的实验表明，与局部几何结构Fisher分析方法相比，本文方法明显提高了分类精度，节省了运行时间。
　　③提出一种深度特征Fisher分析(DFFA)方法用于高光谱遥感影像特征提取。面对具有复杂非线性结构的高光谱遥感影像，为了增强对抽象特征的提取能力，同时提高深度特征的可分性，该方法首先使用无监督的自编码器提取高光谱遥感影像中的深度特征，然后构建深度特征的本征图和惩罚图来描述像元间的结构关系，使得在映射到低维空间后，减小同类像元间的距离，增大非同类像元间的距离。在Pavia University、Indian Pines和Urban三个数据集上的实验验证了该方法的可行性和有效性，相比流形学习和深度学习方法，提高了特征提取能力，改善了分类性能。