遥感是获取地面信息的基本技术之一,而高光谱遥感是一个相对较的新技术。高光谱图像和多光谱图像相比,波段更多,而且光谱分辨率更高,因此在地质调查领域发挥着重要的作用。很多研究人员和科学家用高光谱技术侦测和识别矿物、地面植被、人造物体和其他物体。从最初的多光谱发展到现在的高光谱,高光谱图像的光谱分辨率约为10nm,波段总数为200多个。虽然高光谱技术已成为当前遥感的前沿技术,但是由于高光谱数据包含冗余信息,所以选取合适的处理方法显得尤为重要。目前常用的两种方法是降维和最佳波段的选取,本文用最佳波段选择对高光谱数据进行处理,对比经验选择的波段和算法选择的波段在图像分类中的应用。遗传规划方法是经典的机器学习算法之一,可以有效的依据输入数据进行分类或者预测,现已广泛应用在数据挖掘的各个领域。遗传规划算法是模拟自然界中生物的进化策略,通过选择、交叉、变异等遗传操作,搜索目标的最优解。该算法采用树形结构存储,在训练过程中用适应度函数作为度量,对分类和回归采用不同的策略。其中分两类问题和回归问题都只需要一个树形结构,即一个分类器即可：对于分多类问题,需要用到多个遗传规划分类器,并结合关联强度矩阵,计算出每个决策树分类器的权重。最后依据找到的启发式规则,优化分类结果,有效避免噪声数据对于结果精度的影响。本文首先将遗传规划方法应用在区分不同的地面矿物上,接着用该方法预测铀矿物中赤铁矿的含量。最后通过高光谱图像数据中已知的矿区位置,用遗传规划算法来找寻图像中类似的区域,并结合赤铁矿比值法所得到结果,计算出高光谱图像中潜在矿区的位置。前三章介绍了高光谱数据的预处理、遗传规划分类的基础知识,在第四章中依据矿物的光谱曲线,用遗传规划方法对其分类。第五章提出了一种将遗传规划分类和赤铁矿比值法相结合的方法,用来找到高光谱图像中感兴趣区域。根据已知的矿区位置,其他的机器学习算法同样可以找出类似的区域。将数据挖掘算法和赤铁矿比值法得到的结果进行融合,获取感兴趣区域在高光谱图像上的分布。本文的创新之处在于：(1)提出用遗传规划分多类的方法对铀矿物的高光谱曲线数据进行分类；(2)提出将数据挖掘分类算法与矿物比值法相结合的方法,找出高光谱图像中的矿区,并与实际的矿区相比较,验证方法的可行性。