随着遥感对地观测技术的日趋成熟,单一数据源地物精细分类越来越难以满足用户的精度需求,多源数据融合处理成为目前地物分类的热点问题。在多传感器、多类型的遥感数据中,LiDAR点云数据反映了地物空间特征,但存在数据集离散、语义匮乏等缺陷,难以达到地物精细分类的要求;遥感影像数据具有光谱显著、纹理丰富等优点,但“同物异谱”等现象导致类别分离度较低,分类结果可靠性不高。近年来,国内外学者针对两者各自的优缺点,研究基于LiDAR点云数据与遥感影像数据融合进行地物分类的方法,利用多源数据的互补性弥补单个数据源分类的缺陷,提高分类精度。在地物精细分类中,分类器性能是影响分类精度的重要因素之一。分类器性能受样本集影响,当训练样本数目较少或样本代表性不高时,强泛化性分类器难以获得满意分类结果。因此,优化分类器是提高地物分类精度的另一有效途径。合适的分类数据源、有效的分类方法是提高地物精细分类精度的重要手段。本文顾及LiDAR点云、遥感影像融合的数据集特征,对融合数据的精细化地物分类展开研究,其主要研究内容如下。(1)多源数据融合的谱间-空间特征提取与特征集构建研究。利用共生矩阵提取影像谱间、点云空间的二阶统计分布,运用统计方法、波段指数运算获得数据的均值、方差、植被指数、高程差等特征。根据多源数据融合的谱间-空间特征构建特征集,特征集包含了遥感影像连续语义描述,点云数据空间邻域表征,两种数据融合达到提升地物类别分离度,提高分类精度的目的。(2)针对地物分类中训练样本不足、样本代表性不好导致分类结果较差的问题,运用基于支持向量机(SVM)与深度置信网络(DBN)的联合分类方法:利用少量训练样本,通过SVM初分类获得大量含噪样本,基于DBN的强非线性拟合能力提取样本在特征空间的固有结构(逼近真实特征分布)训练分类参数,最后应用训练后的分类器校正初分类结果,达到改善样本数量不足、减少样本代表性依赖,提高分类精度的目的。(3)研究基于粒子群滤波(PSO)优化分类器的方法。针对DBN基于随机梯度下降法训练分类器参数过程中,梯度逐渐消失,参数学习陷入局部极值,训练不完全的问题,本文应用粒子群滤波理论,研究基于PSO优化SVM-DBN的方法。PSO迭代过程中,随机种群粒子进化以最优化方向推演解空间参数,当参数迭代陷入局部极值时,种群进化更新跳出局值,不断收敛至全局最优点,得到参数解空间最优解。本文基于PSO的全局寻优能力优化分类器参数,达到提高算法收敛效率,增强分类器分类性能的目的。