随着遥感技术的发展和广泛应用,人们认识事物的能力通过光谱和影像得到了有效的延伸。高光谱遥感技术的问世,将由地物的物理、化学性质决定的地物光谱信息与反映地物空间格局的影像空间信息巧妙地结合在一起。通过高光谱影像数据的影像模式和光谱模式统一,实现了人们认识论中形象思维和逻辑思维的巧妙融合,使得人们对客观世界的认知能力有了极大的提高。高光谱影像每一个像元中精细且连续的光谱曲线包含着丰富的地物信息,尽管许多经典的遥感数据处理方法仍然被应用于高光谱影像处理与分析中,然而,由于高光谱影像海量数据的特点和实现精细分析的目的,使得这些方法往往难以满足高光谱影像解译的要求。因此,这就需要创新和发展一些有别于传统影像处理的方法,实现高光谱影像地物的精细分析。近十多年来,针对在高光谱影像解译中存在的问题,国内外专家学者进行了许多卓有成效的科学研究工作,从研究和应用的主要目标来看,大体可以分为两块内容,即地物的精细分类和小目标地物的识别。不同地物各异的光谱曲线是不同地物特征的直接体现。高光谱影像中反映的精细的光谱差异使得地物的精细分类和小目标识别成为可能。纵观高光谱影像的分类方法,按照技术途径的不同,大致可以归纳为两类：光谱匹配技术和多维光谱特征分类技术。光谱匹配技术是高光谱影像精细分类中较成熟的一类,通过比较像元光谱和标准地物光谱的相似性程度对影像进行分类。多维光谱特征分类技术是基于数据的统计特征,根据模式识别的方法进行基于统计特征的分类。对于高光谱影像的小目标识别而言,小目标识别算法用来探测高光谱影像中特定微弱信号的存在性或分布问题,由于高光谱影像的维数众多,可以较好的反映地物的细微差别,因而高光谱影像的小目标识别的结果有着广泛的现实意义和应用价值。针对高光谱影像地物精细分析中的这两个内容,本文分别从一种综合利用多种光谱相似性测度的高光谱影像自适应分类方法、结合空间-光谱特征的高光谱影像分类方法和一种新型的高光谱影像目标识别算法三个角度,实现高光谱影像地物的精细分析。首先,介绍了光谱相似性测度在光谱匹配分类中的地位和作用,研究了现有利用光谱相似性测度进行光谱匹配分类方法的不足,提出了一种综合利用多种光谱相似性测度的高光谱影像自适应分类方法。实验表明这一方法有较好的精细分类精度,适应性更强,通过利用多种光谱相似性测度综合分析进行高光谱影像精细分类,相比于只考虑某一种光谱特征的匹配分类方法具有更好的精细分类精度和更小的光谱识别不确定性。然后,通过分析常用多维光谱特征分类技术中,对空间信息利用不足的问题,深入思考像斑对象的表达在影像解译中的作用和意义,设计了结合空间-光谱特征的高光谱影像分类方法。通过eCongnition对影像进行多尺度分割,经过分类器对分割后的像斑进行初始分类,利用类别共生矩阵对初始的分类结果进行优化,输出最终分类结果。实验显示,通过结合空间信息,可以进一步提高分类精度,同时可以有效消除噪声或混合像元产生的“麻点”,具有极强的鲁棒性。最后,针对高光谱影像中的小目标问题,提出了一种基于独立成分分析正交子空间投影加权的高光谱影像小目标识别方法(ICA-OSP).通过独立成分分析实现在影像中提取目标特征和背景特征；利用加权的正交子空间投影实现对目标特征和背景特征的分离。结合实验表明,在同样已知影像目标光谱信息、未知背景光谱信息的前提下,ICA-OSP方法能较好地提高探测概率,降低虚警概率；与其他传统目标探测方法相比,也具有一定优势。