● 摘要
高光谱遥感技术将反映目标辐射特性的光谱与反映目标几何特性和空间分布的图像有机地结合在一起。高光谱遥感图像具有很高的光谱分辨率，为地物提供了丰富的细节信息，故在民用和军用等多个领域发挥着重要作用。但是由于高光谱数据维数高、样本难获取、存在线性不可分等特点给数据的处理带来了很大的困难。支持向量机（SVM）是一种基于统计学习方法的模式识别方法，可以获得全局最优解，并且在解决小样本、非线性以及高维数据等问题中表现出很多特有优势，所以有较高的推广能力，本论文将SVM应用于高光谱数据的处理，主要做了以下工作：
1）直接将原始高光谱遥感数据作为SVM模型的特征向量影响其分类速度，单一光谱参量不仅不能完全表征地物特征且不稳定，基于此本论文提出一种多光谱参量联合提取的方法，并通过两组实验在可分性和分类精度两个方面进行验证，证明利用该方法提取出的特征具有更好的稳定性和高效性。
2）总结分析目前常用的几种多类分类策略，如：一对一分类法、一对余分类法、二叉树分类法、有向无环图分类法和纠错编码分类法，对现有方法的优缺点进行了讨论。为了减少有向无环图出现“错误累积”的现象，提出一种基于可分性测度的改进有向无环图分类方法，对其分布结构进行优化。对比实验表明，相比于现有的多类SVM分类方法，本论文提出方法不仅有很快的分类速度还获得了更高的分类精度。
3）核函数的好坏直接影响着支持向量机的性能，目前有四种不同形式的常用核函数，它们对非线性样本的映射效果不同，但每个单一的核函数都不能完全适用于所有问题，本论文提出一种将全局核函数与局部核函数进行线性加权的方法构造一个新的组合核函数，组合核同时具备全局核函数强外推能力与局部核函数强学习能力的优点。实验证明，组合核函数较单一核函数有更高的精度和适用性。