遥感影像的处理和分析是一个复杂的系统工程,不同特点的数据具有不同的分析处理理论。高光谱遥感以其丰富的信息保有量,受到很多专业和行业的重视,成为遥感技术发展研究的重要方向之一。高光谱传感器的发展日新月异,影像数据在光谱分辨率和时间分辨率上都有了极大提高,同时带来了纵向数据量(光谱维)的极大增加。由于数据的特殊性,为信息提取和处理提出了新的研究课题,传统的影像处理方法已经不能完全适用于高光谱遥感影像识别分析,需要进一步研究合适的分类策略。遥感影像分类是模式识别的一种,可以归纳到机器学习的范畴。SVM是一种基于数理统计理论发展起来的统计学习理论,能解决结构选择问题、局部极小点等问题。本文针对高光谱遥感影像的特点和SVM理论特性,研究如何将SVM应用在高光谱遥感影像分类中,并对关键问题进行了探讨和改进。首先对SVM原理进行了阐述,研究了其理论特性,通过实验得出传统的SVM理论应用方式在高光谱遥感影像分析识别中存在有很多优势,可以解决小样本情况下的机器学习问题,可以提高泛化性能,可以解决高维问题,可以解决非线性问题,可以避免神经网络结构选择和局部极小点问题。同时也存在计算量惊人,最优参数设置困难的问题。本文针对高光谱遥感影像维数高的特点,首先利用核PCA(KPCA)进行特征提取,将核函数与经典的PCA结合,利用SVM中的核理论,可以实现与后续SVM分类的有效衔接；为弥补KPCA会对光谱信息损失或扭曲的缺点,本文引进分形维理论,提取光谱曲线的分形维特征值,与KPCA联合进行特征转换和提取。实验表明这种特征提取方法的效果较好,在SVM分类中的应用更为明显。然后,对SVM分类模型中的参数进行了研究和分析,讨论了参数的实质和对SVM分类的影响。通过实验说明了参数设置的重要性,结合NPA计算原理,提出了免惩罚系数的SVM分类模型；选取径向基(RBF)核函数,设计分段二叉树有向寻优策略设置核参数δ,实现了SVM两个参数的有效设置。试验显示,参数的有效设置使SVM性能大为提高。SVM理论根基是基于二分类问题提出的,当类别较多时需将多分类问题回归到二分类问题,多分类策略将极大的影响SVM分类的速度和精度。本文利用最近点算法(NPA)解决二分类问题,结合“1 V m”多分类策略,设计按类别复杂度大小的顺序进行目标识别的算法。首先计算各类别的综合复杂度指标index,按复杂度的大小来确定类别划分的顺序,再运用NPA二分类SVM,先分出复杂度高的数据,避免复杂度高的数据参与重复计算,提高了SVM多分类的效率。最后,讨论了本文设计的SVM高光谱遥感影像分类框架的有效性,讨论了还需要进一步改进的方面,希望对以后的研究有所启发。