高光谱遥感影像地物提取是高光谱遥感应用领域的关键技术之一，为了满足高光谱影像地物提取对精度、效率和鲁棒性的要求，本文利用高光谱影像的光谱和空间信息，同时针对其具有高维相关特征和非线性可分的特点，围绕不同尺度地物要素提取所涉及的关键技术，采用人工智能领域的相关原理与方法开展了深入细致的研究。论文主要的研究内容和创新点如下：1．提出了一种称为光谱角度余弦核测度的新型光谱相似性测度及其参数的自适应选择方法，并且将其应用到了高光谱影像地物检测与空间邻域聚类中。该测度对因光照强度变化、阴影和遮挡等引起的同种地物光谱变化的适应性较强。几组高光谱数据的实验结果证明了该测度不仅能有效扩大阈值取值区间，而且可提高检测的精度。2．针对传统聚类方法对非球形分布数据聚类精度较低的问题，引入并改进了谱聚类算法，给出了基于谱聚类的高光谱影像非监督分类方法。该方法采用了稀疏相似矩阵以克服内存瓶颈问题，利用空间邻域聚类对影像进行过分割预处理以提升速度，利用光谱角度余弦核代替高斯径向基核构造相似矩阵以提高聚类精度。实验结果证明，本文算法能有效提高高光谱影像非监督分类精度。3．将基于正定核函数的单类支持向量机(OCSVM)引入到高光谱影像地物检测中。单类支持向量机不仅保留了支持向量机的原有优势，并且仅需待检测类型的训练样本。本文通过数学模型选择、核函数设计与最优参数选择将OCSVM原理融入到高光谱影像的地物检测算法中，提高了检测的精度，降低了训练样本的要求。利用多幅高光谱影像进行了实验分析，实验结果证明了本文算法的有效性。4．针对高斯径向基核函数对光谱向量间欧氏距离变化较敏感，而对同种地物光谱曲线形状变化的适应性较弱的问题，提出了一种基于非正定核的单类支持向量机地物光谱检测方法。该方法采用光谱角度余弦核这一非正定核函数，利用代核矩阵和解析中心割平面法实现非正定单类支持向量机的全局优化问题的解算。实验分析证明,该方法能够显著提高高光谱影像地物检测的精度。5．设计了一种联合光谱与空间信息的地物提取策略。首先采用马尔科夫随机场（MRF）来描述高光谱影像相邻像元之间的空间关系，然后，通过MAP-MRF框架，将高光谱影像分割转化为一个能量函数最小化问题，最后，利用单类支持向量机地物检测的结果作为初值，以图割方法实现能量函数的最小化。对比实验显示，本文提出的联合光谱与空间信息的提取策略能有效提高高光谱影像地物提取的精度。6．将粒子群优化（PSO）原理引入到高光谱影像端元提取中。首先针对传统PSO在处理端元选择这类离散解空间中大规模优化问题时的不足，结合局部模式的PSO与遗传操作，提出了一种面向端元选择的粒子群优化遗传算法（PSOGA）。其次，利用全局模式PSO，融合了分解残差与单形体体积两大端元提取判据，设计了一种基于粒子群优化的端元估计算法（PSOBEE），该算法不需要假设影像中存在纯像元，并能较好地保持端元光谱的形状。对比实验证明了两种基于PSO的端元提取算法的有效性。