由于遥感超谱图像谱分辨率的提高，如今已可以获得比多光谱图像更丰富的信息，并使得许多原先用多光谱不能解决的问题现在可以得到解决，它的问世是遥感技术应用的一个重大飞跃。然而，巨大的数据量限制了超谱图像的进一步应用，并对传统的图像处理方法提出了挑战。为了挖掘和充分利用超谱图像数据的潜在优势，研究有效的数据分析和处理技术是极其必要的，具有重要的理论意义和实际应用价值。另外，分类和压缩是目前国际上对超谱图像研究非常活跃的两个专题。本文将侧重于超谱图像分类技术的研究与分析。 在模式识别或分类中，从原始模式中提取有效的分类特征是非常重要的，但对于大量的非平稳或时变信号模式来说，用于分类的特征往往包含在局部的时—频信息中，用一般的变换方法提取有效的特征比较困难，近年来小波变换在信号处理和特征提取中得到了广泛应用。从分辨率的角度来看，小波变换用于信号分析是一种多分辨分析，优于传统的时域或频域分析方法。虽然多分辨分析可以对信号进行有效的时频分解，但由于其尺度是二进制变化的，所以在高频频段其频率分辨率较差，而在低频频段其时间分辨率较差，即对信号的频带进行指数等间隔划分。小波包分析是能够为信号提供一种更加精细的分析方法，它将频带进行多层次划分，对多分辨分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应的选择相应频带，使之与信号频谱相匹配，从而提高了时—频分辨率，因此小波包具有更广泛的应用价值。它的任意多尺度分解特性，是分析非平稳信号更有效的方法。本文主要研究由给定的训练样本集，如何选择最优小波包基，从被识别或分类的信号中提取具有最大可分性的特征，为此提出了应用三种可分性准则，即距离准则，散度准则和熵准则选择最优基。 为了验证这种方法的有效性，本文以AVIRIS超谱图像为例进行了计算机仿真实验，并对降维后的超谱图像进行了最大似然监督分类。通过实验，对应用各准则选择最优基提取特征与小波基提取特征，和与典型PCA降维方法的性能分别进行了比较。结果表明，基于小波包变换的分类方法的分类精度可达到97％以上，优于其它几种方法。