高光谱遥感或成像即在每个像素面积上获取大量窄波段连续光谱的物质辐射亮度。高光谱成像相对于传统的全色或彩色成像的主要优点是测量得到的反射率也就是物质的光谱特征可以用来识别场景中的特定的物质。这一点远远超越了传统成像系统，甚至超越了高光谱成像的初始技术形式——多光谱成像。尽管有上述的优势，由于技术的限制，很难从高光谱图像中检测关键空间信息例如小目标和边界线。因此，研究新的图像处理技术将是高光谱遥感研究的重要领域。　　高光谱成像及其相关应用的主要限制有：低空间分辨率，由大气和几何条件所造成的光谱畸变，以及场景中大量的混合像元。为了克服这些问题进而更加有效地提取感兴趣的信息，本文将研究高光谱图像关键信息的检测。本文将关键信息定义为任何一种能帮助我们更好地解译高光谱图像的有用信息。关键信息与实际应用紧密相关，通常与物体的位置，形状和大小以及地物类型有关。关键信息涉及到物质的种类，像素的组成（物质的丰度），以及一段时间内地物的变化。本文以高光谱图像的关键信息检测主要应用范畴，遵循高光谱遥感研究的基本原则，提出了新的方法。　　高光谱图像应用广泛，现今的大多数技术可以按照其应用目的分为四类：1）硬分类，2）软分类，3）目标检测，4）变化检测。为了缩小研究的范围，本文并未研究相对次要的变化检测。为了更好地利用高光谱图像，本文提出了以下三方面的方法和技术：1）硬分类，2）软分类中的解混，3）以目标检测为目的的空间分辨率增强。本文提出的方法的目的和推理以及相应的框架和成果如下：　　1）一种针对分散小目标的高光谱分类器（具有较强的鲁棒性）　　在高光谱监督分类中，维数灾难是导致计算复杂和Hughes现象的主要原因。训练样本尤其是对于含有关键信息的小目标的不足，是另一个主要障碍。以往的研究很少同时考虑这两个问题，本文将用于判别的特征降维技术与概率稀疏核模型（以贝叶斯学习为基础）以及相关向量机（RVM）结合起来，提出了一种新的监督分类方法。在提出的方法中，首先使用特征降维技术将高维数据先转化到一个低维特征空间，从而最大化类与类之间的可分性。变换后的数据通过并行体系结构和以一对一的策略为基础的RVM多类分类器进行处理。为了验证该方法的有效性，本文以实际高光谱数据进行实验。该结果与目前最有效的监督分类技术如支持向量机进行比较，并使用相应的评价指标。结果表明，该方法对难以精确分类的小目标的分类性能比其他分类方法效果更好。此外，该方法具有较低的计算复杂度和对 Hughes现象的鲁棒性的优势。　　2）针对丰度值的解混分类转换模型　　在高光谱图像中，通常需要用组成每个象素的纯象元或者端元的先验知识去提取端元，而现在解混的热点是端元丰度值的提取。通常来说，由于缺乏纯象元的先验知识，导致将象素向量的平均光谱（从图像中直接提取出来）作为典型的样本，用这个平均光谱来求解丰度值。这种方法用已知的先验知识对解混问题进行数学优化，忽略了提取样本的统计特性，从而导致了端元提取的次优解。本文提出了一种新的基于学习的解混-分类变换模型，把丰度值的求解问题看作一个分类问题。作为一个有效地分类器，我们使用支持向量机实现这个模型。它利用图像中典型端元的统计特征（端元光谱的变化规律），而不是根据理想模型解决问题（理想模型要求只利用每个训练样本的平均光谱集）。本文用仿真图像和真实的高光谱图像进行了几组实验，实验结果表明了丰度值提取的精确性，提高了子象元的检测能力。　　3）高光谱图像的分辨率增强优化方法研究　　本文对高光谱图像的分辨率增强技术进行详尽的研究，对热点研究领域进行分类，通过综合比较，我们归纳了不同技术中所存在的重要障碍，之后选择了适合的光谱分辨率增强方法。最后，本文对各种高光谱图像的分辨率增强方法进行分类。主要的研究类别有：联合处理法，光谱解混分析法，超分辨制图法，空间-光谱分辨率联合法。针对不同类别的分辨率增强算法的结构，应用，要求，效果和局限性，本文进行了能力的评估。结果表明，一个算法的恰当与否取决于多个因素，例如获得多源信息的能力，计算复杂性，训练数据的可靠性，算法的效率，以及所期望的应用。这也表明，高光谱图像的光谱解混分析是适合开发高性能的，自主的，快速的分辨率增强算法的技术。这项研究结果是接下来两种技术的主要前提。　　4）基于空间光谱数据融合的半监督分辨率增强技术　　本文提出了一种基于空间光谱数据融合的半监督的高光谱图像分辨率增强方法。此方法用超分辨制图技术（SRM）最大化端元（图像中纯物质的光谱特征）间的空间相关性，并采用一种线性混合模型和一种完全约束的最小二乘光谱解混算法来获得高光谱图像的端元丰度（分割的图像）。然后，对提取出来的端元分布图和空间信息用空间光谱相关最大化模型和一种基于学习的SRM技术利用子象元数据进行融合。实验结果验证了本方法在关键信息检测应用方面的可靠性和有效性，并且计算速度快，适于实时应用。本方法只需要用图像中任意区域的有限数量的高分辨率（HR）训练样本就能对全图像进行分辨率增强，而一般的方法中通常需要与低分辨率图像（LR）同样大小的高分辨率信息，因此可以克服一般联合处理方法中需要大量高分辨率信息的缺点。　　5）一种基于自学习的超分辨率制图的空间分辨率增强技术　　本文提出了一种有效的无监督超分辨技术。本方法采用基于学习的SRM算法来产生仿真的LR2数据（LR进行二次采样的数据）向 LR数据的映射模型，从而实现LR数据向 HR数据的成功映射。这种方法以无监督的方式输入训练样本，并且独立于任何二级 HR数据，因此被称为自学习技术。首先，我们用一个线性混合模型和一种完全约束的最小二乘光谱解混算法来提取高光谱图像的空间信息和光谱信息，之后用空间相关模型（基于学习的SRM算法）进行融合。本文提出的空间相关模型模拟了LR光谱图像和LR2光谱图像之间的映射模型，进而用来训练SRM来实现从LR到HR的映射。本文采用真实高光谱图像进行实验验证，实验结果表明了所提出算法的精度高，复杂度低，并且在高光谱图像识别应用方面效果显著。