高光谱遥感是指利用很多很窄的电磁波波段从感兴趣的物体中获取有关数据，高光谱遥感技术作为20世纪80年代兴起的对地观测技术，始于成像光谱仪的研究计划。

目前，我国研制的224波段的推扫高光谱成像仪（PHI）与128波段的实用型模块化机载成像光谱仪（OMIS）已经进行了多次成功的航空遥感实验。

另外，中国科学院上海技术物理研究所研制的中分辨率成像光谱仪于2002年随“神州”三号飞船发射升空，这是继美国1999年发射的EOS平台之后第二次将中分辨率成像光谱仪发送上太空，从而使中国成为世界上第二个拥有航天成像光谱仪的国家。

高光谱遥感图像和常见的二维图像不同之处在于，它在二维图像信息的基础上添加光谱维，进而形成三维的坐标空间。

如果把成像光谱图像的每个波段数据都看成是一个层面，将成像光谱数据整体表达到该坐标空间，就会形成一个拥有多个层面、按波段顺序叠合构成的三维数据立方体。

高光谱遥感具有不同于传统遥感的新特点：
（1）波段多——可以为每个像元提供几十、数百甚至上千个波段
（2）光谱范围窄——波段范围一般小于10nm
（3）波段连续——有些传感器可以再350~2500nm的太阳光谱范围内提供几乎连续的地物光谱
（4）数据量大——随着波段数的增加，数据量呈指数增加
（5）相邻谱带间相关——由于相邻谱带间高度相关，冗余信息也相对增加，这一特点也为其降维处理（包括波段选择、特征提取等）和谱间压缩提供可能
（6）随着维数的增加，超立方体的体积集中于角端，超球体和椭球体的体积集中在外壳，该特点进一步为高光谱图像的降维和压缩处理提供了理论依据。

根据高光谱图像的特点及其相关技术处理的需要，高光谱数据与其所携带的信息一般采用如下的三种空间表达方式：图像空间、光谱空间和特征空间。

1、图像空间（有空间几何位置关系）
2、光谱空间，光谱信息
3、特征空间（在光谱空间进行取样，将得到的n个数据用一个n维向量来表示，它是表示光谱响应的另一种方式。

N维向量包含了对应像素的全部光谱信息。

在三种表示方法中，特征空间表示法适合于模式识别中的应用。

）
高光谱遥感技术将确定物质或地物性质的光谱与揭示其空间和几何关系的图像结合在一起。

支持向量机是1992~1995年由Vapnik等人在统计学习理论的基础上提出来的一种新的模式识别方法。

SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。

目前SVM已经被广泛应用于解决高维数据的监督分类中。

支持向量机的核心思想是以构造风险最小化思想为归纳原则，通过非线性映射把样本投影到高维特征空间，在高维空间中构造VC维尽可能低的最优分类面，使分类风险上界最小化，从而使分类器对未知样本具有最优的推广能力。

我国尚未解决的SVM问题：目前支持向量机应用中，判别阈值都是以理论值0作为阈值，这在线性支持向量机情况下不会产生偏差，但是在非线性情况下，由于核函数的引进，SVM 的分类判别阈值会发生偏移而不再保持为0.这样仍然采用0作为阈值，势必会影响分类效
果，另外，在数据规模巨大的情况下，SVM求解规模巨大，造成训练时间过长，限制了SVM 的使用。

而大规模数据是经常会遇到的情况，针对大规模数据下，SVM的应用问题，现有文献大多集中在简化二次规划求解上，入选块算法、分解算法和序列最小优化算法等。

这些算法的共同点是：将大规模的原问题分解为若干小规模的子问题，按照某种迭代策略，对子问题反复迭代求解，从而构造出原问题的近似解，并使该解逐渐收敛到原问题的最优解。

SVM的理论最初来自于对数据二值分类问题的处理，对于数据分类问题，一般的，考虑L 空间上的分类问题，对于给定的含有n个样本的训练集
分类问题就是根据输入模式向量及其对应的属性标号，寻找X=R L空间上的一个函数g（x）以便构造决策函数，然后推测出任一测试样本x对应的属性y。

SVM作为统计学理论中最实用的部分。

是一种广义的线性分类器。

其分类原理可概括为：寻找一个分类超平面，使得训练样本中的两类样本点能被分开，并且距离该平面尽可能的远，而对线性不可分的问题，通过核函数将低维输入空间的数据映射到高维空间，从而将原低维空间的线性不可分问题转化为高维空间上的线性可分问题。