随着传感器技术的发展,高光谱图像数据的光谱分辨率和空间分辨率不断提高,高光谱图像数据的获取能力已经远远超出了数据处理的能力。数据获取和信息处理能力的差距带来了两方面的困难,一是海量数据造成存储与传输的巨大困难;二是如何从海量的数据中提取出有用的信息。稀疏表示理论是近年来信号处理领域中的研究热点,已被广泛应用于信号和图像处理、计算机视觉以及模式识别等领域。将稀疏表示理论应用于高维高光谱图像处理,是目前遥感信息处理领域的研究热点之一。本文针对高光谱数据获取与信息处理难题,重点研究了基于稀疏表示的高光谱成像、图像分类与目标检测问题,主要工作和取得的成果如下:(一)首先针对高光谱数据获取,研究了基于稀疏表示的光谱成像问题。压缩编码孔径是目前典型的基于稀疏表示的光谱成像方案,该方案在具体物理实现时,存在压缩观测矩阵非负限制问题,针对该问题,本文提出了基于稀疏表示的高光谱双极性压缩光谱成像方案。该方案通过采用双通道观测结构,对每个通道得到的非负极性观测作差,从而实现压缩观测矩阵的双极性观测。与传统压缩编码孔径成像方案相比,本文方案解决了压缩成像理论与实际物理约束不一致的问题,更符合压缩观测矩阵应具有双极性的理论特性,能更好地保持原始信号的结构和信息,得到更优的恢复重构效果。仿真实验验证了本文基于稀疏表示的高光谱双极性压缩光谱成像方案的有效性。(二)接着针对高光谱信息提取,研究了基于稀疏表示的高光谱图像分类问题。在高光谱图像光谱稀疏特性分析基础上,研究了基于稀疏表示的高光谱图像分类的稀疏表示与分类判决问题,在此基础上重点针对稀疏表示使用的字典性能进行改进。针对常规分类方法中,由随机抽取的训练样本构成的冗余字典,难以充分描述相似类别的相对差异性,本文提出了基于Fisher可分字典学习(Fisher Discriminative Dictionary Learning,FDDL)的高光谱图像分类方法。该方法通过在字典学习过程中增大类间间隔,并对每类样本分别进行学习得到各自的结构化字典而非共享字典,同时兼顾字典学习过程中的稀疏性,使它具有更强的类别可分性和重构性。实际数据的分类实验结果验证了对于相似类别的分类问题,该方法能得到更优的分类性能。(三)最后,进一步研究了基于稀疏表示的高光谱目标检测问题。在高光谱图像空-谱域联合稀疏性分析基础上,针对高光谱目标检测特别是军事领域,目标先验信息难以获取,无法构建有效的稀疏表示字典的问题,在深入分析目标和背景在空-谱域局部字典稀疏性差异的基础上,提出了一种基于空-谱域局部稀疏性差异的目标检测方法。该方法通过滑动双窗口,有效地捕捉了目标光谱在背景光谱字典上的非负稀疏性,并在空间局部邻域累积非负稀疏性,实现目标检测。实际数据的检测实验结果证明了本文方法的优越性。