数据挖掘是当今计算机应用技术和理论研究中最热门的领域之一。数据挖掘技术经过十多年的发展，已经逐渐建立起系统的挖掘理论和成熟的挖掘技术。形成了以关联规则挖掘、分类规则挖掘、聚类规则挖掘为主要形式的，以数据库技术、统计学、人工智能、可视化技术和信息技术为主要工具的多学科交叉的应用技术。从最初的商业应用逐渐扩展到医疗、金融、生物、电信、军事、体育等诸多领域。数据挖掘成为越来越多的科学家、研究人员、工程应用人员、商人、医生所关注的对象。 分类规则作为数据挖掘的一个重要分支，在过去的十多年中引起很多来自不同领域的学者的注意，学者们提出了以信息论为基础的决策树算法、以概率论为基础的贝叶斯分类方法，以神经科学为基础的神经网络方法等等，这些算法基本上都是确定性算法。以自然进化为基础的演化计算技术因为其智能性、并行性、不确定性等诸多特点成为其中一个特殊的分支。 遥感技术的发展一直伴随着空间分辨率与光谱分辨率的进步。传统的多光谱扫描仪对光谱曲线的采样是零散的，从可见到短波红外它通常只记录10个左右的光谱波段，其光谱分辨率也在0.10μm数量级。而高光谱成像或成像光谱却能够得到上百通道、连续波段的图像，从而可以从每个图像像元中提取一条完整的光谱曲线。 高光谱遥感将确定地物性质的光谱与确定地物空间与几何特性的图像有机地结合在一起。从空间对地观测的角度来说，高光谱遥感信息无论对地物理化特性的深层探索，还是对地物间微小差异的精细识别，以及对自然界的知识发现，都为人类提供了前所未有的丰富信息。随之而来的问题就是，面对如此多的波段、如此海量的光谱图像信息如何去处理、如何从中提取我们需要的信息，黑白图像以及多波段彩色图像的一些处理算法甚至主要处理和分析手段已经无法满足高光谱遥感信息的处理要求。高光谱图像立方体图谱合一的特点，要求人们从光谱维去理解地物在空间维的变化，人们对二维空间图像的处理与分析需要转化成对每个像元所提取出的光谱曲线的处理与分析。而本论文的核心正是围绕着神经网络在高光谱数据处理与分析这个核心，从系统性与创新性的角度展开相关论述。 高光谱遥感技术的发展是过去二十多年中人类在对地观测方面所取得的重人技术突破之一，是当前遥感的前沿技术。在本世纪，高光谱遥感技术将在研究地球资源、监测地球环境中发挥越来越重要的作用。与此同时，高光谱遥感技术的独特性能，特别是在地表物质的识别和分类、有用信息的有效提取等方面与其他技术相比的优势，使得这一技术在环境监测、植被的精细分类、农作物的长势监测和农田水肥状况的分析、地质岩矿的识别、蚀变带制图、油气微渗漏信息的检测、海洋水色定量的监测等方面展现了巨大的应用前景。 随着高光谱遥感技术的发展，世界各地科研工作者进行了大量的光谱测量，获得了丰富的光谱资料，而由此带来的数据量日益庞大问题也对地物光谱数据的收集、积累和管理提出了新的、更高的要求。建立地物光谱数据库，运用先进的计算机技术来保存、管理和分析这些信息，是提高光谱数据的利用率，为光谱研究提供强有力的支持的唯一途径。 针对大规模的高光谱遥感数据，除了运用计算机技术来保存和管理这些信息以外，对这些数据进行处理分析也是另一个极为重要的课题。 高光谱遥感技术的应用领域非常广泛了，包括了地质调查、植被研究、大气遥感、水文冰雪、灾害环境遥感、土壤调查、城市环境遥感等多个领域。在不同的应用领域中，针对不同的光谱测量对象，对相应光谱数据进行处理分析的目的不同，使用的相关技术也是不同的。 矿产勘探是高光谱遥感技术在地质调查领域的主要应用之一，更是高光谱遥感应用中最成功的一个领域。各种矿物和岩石在电磁波谱上显示的诊断性光谱特征可以帮助人们识别不同矿物成分。这种诊断性光谱特征只有利用高光谱数据才有可能被探测到。假如利用宽波段遥感数据，探测这类诊断性光谱特征基本是不可能的。高光谱数据的光谱分辨率比宽波段遥感高数十倍(<10nm)。在宽波段遥感图像上无法反映的具有诊断性光谱特征的矿物，在高光谱特征上变得很容易识别。这从根本上改观了从光学遥感图像上提取地质信息的质量和数量。高光谱遥感以数十至数百个连续且窄的光谱波段描述一个像元。这一点在地质遥感中很重要，因为利用连续的窄波段能探测具有不同诊断性光谱特征(特征波段宽度和位置等)的各种矿物。本论文将结合在“中国铀矿床光谱数据管理与处理分析系统”中所做的相关研究，从神经网络技术着重介绍高光谱数据的部分处理分析技术。 本文在经典的BP算法的基础上改进了传递函数，引用双冲量因子，并对学习速率、动量因子采用自适应调整法，确定了网络的最佳参数。此方法避免了网络陷入过饱和，提高了网络的收敛速度和预测精度，优于经典的BP算法。 提出一种基于模块化模糊神经网络的非线性系统故障诊断新方法。该方法先使用模糊c均值聚类法对测量空间进行模块分割，再利用模糊IF THEN规则对分割后的子空间分别采用局部BP模型进行逼近。最后，通过离线学习获得不同子空间故障输出与测量输入的非线性动力特性．试验表明该网络具有良好的泛化性能，可显著提高非线性系统故障检测的快速性、鲁棒性及准确率。