随着高光谱遥感技术的不断发展,高光谱遥感图像在精确农业、敌情侦察、地质勘探以及环境保护等方面有着广泛的应用。相比于传统的多光谱遥感图像来说,由于高光谱遥感图像的多波段、高空间分辨率以及数据高维性引起的信息冗余的特点,对地物进行类别归属划分时,分类结果并不理想,数据的高维性甚至引起休斯现象。鉴于这些特点,高光谱遥感图像的特征提取自然成为了遥感技术领域中的研究热点之一。较高的空间分辨率增加了地物类型的复杂度,给特征提取带来了巨大的挑战。高光谱遥感图像数据的高维性,光谱波段间的强相关性以及多维表达、图谱合一的特点,传统的图像处理技术将很难满足实际应用的需求。因此,研究高光谱遥感图像特征提取方法具有非常重要的意义。本研究借助于机器学习和最优化数学建模的相关理论进行研究,针对现有高光谱遥感图像特征提取方法的不足,对高光谱遥感图像的光谱及空间信息的特征提取技术进行了改进与创新,进一步深入研究了高光谱遥感图像特征提取的方法及技巧。同时也使该研究从光谱维扩展到光谱-空间维。该论文的主要研究内容和重要结论如下:(1)针对高光谱遥感图像在光谱维度上的特征提取,提出了基于Maclaurin级函数曲线拟合特征提取(MFCF-FE)方法。所提出的MFCF-FE方法主要解决有限训练样本情况下高光谱遥感图像在光谱维度上的特征提取,它能充分挖掘波段像素点的光谱响应曲线所蕴含的几何特征。实验结果表明:该特征提取方法能够提高分类精度且表现出较好的鲁棒性。(2)针对高光谱遥感图像在光谱维度上的特征提取以及在变换的低维空间中寻找最优判别向量的问题,提出了基于几何均值特征空间判别分析(Gm FSDA)特征提取方法。所提出的Gm FSDA特征提取方法主要解决有限训练样本情况下高光谱遥感图像在光谱维度上的特征提取,该方法首先通过优化光谱间的几何散布矩阵来得到第一个投影变换矩阵,将原始数据变换到一个新的特征空间中,该变换的主要目的是增强光谱波段间的差异性;其次是在变换的特征空间中,建立最优化模型来寻求最优判别向量,即得到第二个投影矩阵,所建立的最优化模型能使得同类地物的差异性尽可能小,不同类地物的差异性尽可能大。所提出的Gm FSDA特征提取方法实现了数据从高维特征空间向低维特征空间的转化。实验结果表明:Gm FSDA特征提取方法能更好地揭示高光谱遥感图像本身固有的几何结构特性,相比于其它特征提取方法能取得更高的分类精度。(3)为了利用高光谱遥感图像的空间结构特征,提出了一种基于调和均值的光谱-空间滤波(SSF_HM)判别分析特征提取方法。该方法是在通过主成分分析(PCA)获得的主成分上利用区域中值滤波来对高光谱遥感图像的空间结构进行刻画并同时提取其空间特征,而后将原始的光谱特征与提取的空间滤波特征进行融合得到融合特征矩阵,并利用判别分析方法来构建基于调和均值的光谱-空间滤波的类间和类内散布矩阵优化模型,最后对该模型进行求解。该特征提取方法是结合了光谱维和空间维,实现了从光谱维空间向光谱-空间滤波维空间的转换。实验结果表明:所提的SSF_HM特征提取方法能增强原始数据的分离性并得到更高的分类精度。(4)为了进一步利用高光谱遥感图像的光谱特征和空间特征、提取更加精细和有效的高光谱遥感图像空间特征,我们利用Gabor变换来获取高光谱遥感图像的Gabor特征。本研究针对Gabor滤波能从不同尺度和不同方向来挖掘图像的Gabor空间特征的特点,提出了有限样本情况下的基于光谱-Gabor空间判别分析(SGDA)特征提取方法。该方法是借助于Gabor滤波来描述图像的空间结构并提取Gabor空间特征的。同时,利用奇异值分解(SVD)和特征空间变换(FST)技术手段对建立的类内和类间散度优化模型进行求解。所提出的SGDA特征提取方法能充分展示出高光谱遥感数据在低维特征空间中的较强表现力,并且扩展了高维特征空间向低维特征空间的转化。实验结果表明:SGDA特征提取方法确实是有效可行的。主要结论:针对有限训练样本的情况,从曲线拟合的角度出发,在光谱维度上建立了数学拟合模型来挖掘波段像素点的光谱响应曲线所反映的高光谱遥感图像的几何特征,提出了基于Maclaurin级函数曲线拟合特征提取(MFCF-FE)方法。为了寻求低维空间下最优模型的解向量,针对有限训练样本的情况提出了基于几何均值特征空间判别分析(Gm FSDA)特征提取方法,实现了从高维特征空间向低维特征空间的转化。在光谱-空间维度上利用区域中值滤波来对高光谱遥感图像的空间结构关系进行刻画,并构建了一种基于调和均值的光谱-空间滤波(SSF_HM)判别分析特征提取框架,使光谱维和空间维能有效的结合在一起。为了提取更加精细和有效的空间特征,利用Gabor变换获取其Gabor特征,并从不同尺度和不同方向来挖掘图像的Gabor空间特征,提出了有限样本情况下的基于光谱-Gabor空间判别分析(SGDA)特征提取方法,实现了光谱维和Gabor空间维的组合,扩大了特征提取的范围,为以后的多特征融合提供了研究基础。