高光谱遥感影像“图谱合一”，为精准实现地物识别与分类提供了可能。但是，较高的光谱分辨率致使其波段数多、数据复杂，从而造成“维数灾难”。故而，如何在降低数据冗余的同时尽可能地保留原始数据中的有效信息，是目前高光谱遥感影像地物分类研究中的关键。
　　特征提取是解决“维数灾难”的有效途径，通过特征提取，可降低数据冗余，获得更有解释性的特征，改善分类效果。针对大多传统算法均假设高光谱数据分布于单流形结构而未考虑复杂的多流形特性以及仅依赖光谱信息而忽略空间信息的不足，本文以高光谱影像数据的内在结构为视点，结合流形学习中的图嵌入等理论，开展高光谱遥感影像特征提取算法的研究。论文主要工作如下：
　　①梳理了高光谱成像技术和特征提取的国内外研究现状，并对现有的特征提取算法进行剖析，发现大多算法未能充分发掘高光谱数据的多流形属性，且忽略了影像的空间一致性，导致地物分类性能受限，为提出新算法提供理论铺垫。
　　②提出了一种监督多流形鉴别嵌入(SMMDE)特征提取算法。该算法依据高光谱数据具有内在的多流形结构分布，首先，对数据进行子流形划分，得到不同类别子集对应的子流形结构；其次，对子流形内的数据构建流形内图和流形间图，以表征各流形的结构特点，并且定义了多流形距离；最后，通过最大化流形间距离分散不同流形上的数据和最小化流形内距离聚集同流形上的数据，以提取各流形上的低维特征。在PaviaU和KSC高光谱数据集上的实验证明：SMMDE算法可有效表征高光谱数据的多流形结构，提高地物分类精度。
　　③提出了一种监督空间正则化流形鉴别分析(SSRMDA)特征提取算法。针对传统特征提取算法大多仅研究光谱特征而未考虑空间域内的几何空间信息，本文以流形学习中的图嵌入理论为基础，充分融合了光谱-空间信息，研究了一种新的空-谱算法。该算法通过熵率超像素提取空间特征，再根据图嵌入模型构造光谱域和空间域上的近邻图，并利用标签信息，强化类内数据聚集，提取出更有鉴别力的特征。在Indian Pines和Washington DC Mall高光谱数据集上的实验表明：SSRMDA算法比相关方法提取了更有解释力的特征。
　　综上所述，面对高光谱影像地物分类中遇到的“维数灾难”，本文以流形学习为基础，提出了两种新的特征提取算法，并在高光谱遥感数据集上进行了算法的有效性论证。