高光谱遥感技术可以在矿物填图中发挥重要作用,高光谱矿物类型识别是实现矿物填图的重要环节,而由于矿物类型及其环境背景的复杂性,导致识别方法的精度不高,难以满足矿物填图的应用需求。而近年来兴起的深度学习技术能够从样本集中学习数据本质特征,被越来越多应用到高光谱数据的分析中。而利用深度学习的神经网络实现高光谱矿物分类,依赖从标签样本数据提取的矿物光谱特征,因而样本数据一定程度上影响着分类精度。目前从高光谱遥感数据中采集样本点,制作标签样本数据集,耗时长效率低,且难以提供足够数量;另一方面,人工选择像素点的主观性影响样本数据的质量,且遥感数据质量和预处理精度等因素一定程度上也影响数据的质量。因此,样本数据数量不足和质量不高的问题,使深度学习对高光谱数据的学习能力和分类效果受到限制。针对以上问题,本文利用现有的地物波谱库光谱数据模拟高光谱样本数据,作为深度学习网络结构的有效输入样本,提出地物波谱数据库支持的深度学习高光谱矿物类型识别方法。本文的主要内容包括:(1)基于USGS波谱数据库的深度学习高光谱样本数据的制作。选择现有地物波谱库作为样本数据源,模拟高光谱数据的光谱信息,为深度学习算法提供。USGS波谱数据库中的矿物光谱数据种类繁多,数量充足,满足深度学习样本的数量要求;同时波谱库采用多种测量方法,数据信息准确度高,能够更真实地反映矿物的光谱特征,满足深度学习样本的质量要求。使用USGS波谱数据库,基于模拟的手段制作提供深度学习矿物类型识别需要的大量的标签样本,为深度学习残差网络的输入层提供有效的高光谱数据集。(2)深度学习网络的构建与高光谱矿物类型识别。针对矿物类型的光谱差异相对较小,干扰信息较为显著的特点,本文选择残差网络模型来实现矿物类型的识别,残差网络作为优化的卷积神经网络,网络结构简单、参数量少,具有很强的泛化性。基于Keras深度学习框架平台,构建用于高光谱数据矿物类型识别的残差网络,将USGS波谱数据库模拟得到的高光谱样本数据输入网络,利用残差网络的深层结构提取矿物光谱特征,训练学习得到高光谱矿物识别规则。将AVIRIS高光谱数据作为待识别数据,利用训练得到的矿物识别规则进行填图实验,得到研究区的矿物填图结果。(3)矿物填图结果的真实性验证及对比矿物填图实验。以地表调查与遥感图像结合的矿物填图结果为依据,通过与深度学习的矿物填图结果对比分析,对本文提出的矿物类型识别算法进行验证,矿物识别算法的整体精度达到76.41%,矿物类型的识别效果较好。证明了地物波谱数据库模拟高光谱样本数据的深度学习方法进行矿物分类的可行性和有效性。基于选择高光谱像素点为样本数据,进行深度学习矿物类型识别方法的对比实验,并与基于地物波谱库的矿物填图结果进行对比,分析基于地物波谱库矿物识别的优势。(4)矿物类型识别方法在植被区域的适用性分析。在植被覆盖区域,植被是影响高光谱遥感矿物类型识别的准确度的最重要因素。为了验证本文的矿物类型识别方法在植被覆盖区域的适用程度,以线性光谱混合模型进行植被-矿物光谱混合模拟,并对模拟的植被覆盖高光谱数据进行矿物填图实验。对不同植被覆盖度的矿物填图结果进行精度验证,证明了地物波谱数据库作为样本数据的深度学习方法,具有较高的适用性和稳定性。