遥感技术作为人们获取地物表面信息的重要手段之一,已经成功地在生态环境监测、地质调查、农作物估产等众多领域取得了广泛应用,并发挥着越来越重要的作用。随着光谱技术的不断发展,高光谱遥感受到了遥感界越来越多的关注,其作为一种能够产生具有丰富信息图像的新型技术,极大地提高了数据分析的质量、可靠性与可信性。因此,高光谱遥感技术必将是未来遥感技术发展的重要方向之一。　　 铀矿作为一种国家性的战略矿产资源,在国防建设与国民经济的发展中发挥着重要的作用,如何及时探知我国境内珍稀的铀矿资源是资源勘查工作中亟待解决的重大课题。高光谱遥感技术因其自身的特点,极大地优化了铀矿的识别与提取条件,增加了遥感对地探测的能力和对地物的鉴别能力,使得它在铀矿资源勘测中得到了广泛的应用。然而,以往的数据处理与分析手段已经无法满足当今海量的高光谱遥感信息数据提取的要求,因此,如何高效、准确地从铀矿床高光谱遥感数据中挖掘和提炼出有价值的信息是当前急需解决的重要问题。　　 支持向量机(Support Vector Machine,SVM)是由Vapnik领导的研究小组于1995年提出的一种新型的机器学习方法,它基于统计学习理论(Statistics Learning Theory,SLT)中的结构风险最小化原则(Structural Risk Minimization,SRM)建立起来,因为结构风险最小化原则在理论上要优于传统的风险最小化原则,从而使得SVM算法要优于传统的机器学习方法,如:最小二乘、神经网络等。SVM在保证模型预测精度的同时,还提高了模型的通用性,避免了过度拟合现象。研究表明,支持向景机具有良好的泛化性能和推广能力,由于其出色的学习性能已经在模式识别、回归估计、时间序列预测等多方面得到成功应用,成为机器学习领域新的研究热点。　　 本文在前两章分别介绍了高光谱遥感数据预处理方法和支持向量机的基本原理,高光谱遥感数据预处理是为更好地挖掘隐藏在矿物光谱特征中有用信息的重要过程,该部分介绍了反射光谱数据校验、反射光谱曲线光滑、包络线分析和反射光谱曲线微分等四个方面的内容；在支持向量机基本原理的介绍中,文中首先阐述了支持向量机中的统计学习理论及结构风险最小化原则,引出支持向量机构造超平面的思想,随后介绍了线性可分支持向量机、线性不可分支持向量机和非线性支持向量机的原理。　　 第四章介绍了支持向量机回归算法在铀矿床高光谱遥感数据物谱关联建模中的应用。该部分对支持向量机回归算法原理进行了详尽的推导,在此过程中提出了改进的支持向量机回归算法；通过在实测的赤铁矿数据上,对影响支持向量机回归模型的参数进行了多组试验,得到最优的支持向量机回归模型。在与其它回归算法的试验对比中,改进的支持向量机回归算法的均方根误差最小,算法结果表现优秀。　　 第五章的主要内容是支持向量机分类算法在铀矿床高光谱遥感数据单矿物识别上的应用。首先,对支持向量机分类算法进行了介绍和推导,在实测沥青铀矿和铀黑数据的分类上与其它数据挖掘的方法进行对比试验,从试验结果中可以发现支持向量机算法具有较高的分类精度。接着,考虑到支持向量机参数对分类模型精度的影响,提出了一种基于演化算法的支持向量机分类算法。通过将演化算法和支持向量机方法相结合,有效的解决了支持向量机分类模型中参数选取的问题,从而使得对于不同的试验数据演化支持向量机算法都能自动合理地选择参数,得到最优的支持向量机分类模型。演化支持向量机分类算法为高光谱数据单矿物识别提供了高效、可行的技术方法与手段。　　 本文的主要创新点在于:(1)将改进的支持向量机回归算法应用于高光谱物谱关联建模,通过在实测赤铁矿数据上的对比试验,发现该算法在以均方根误差为标准的对比试验中,结果优于其它几种常用的回归算法,算法性能表现良好；(2)提出了将差分演化算法和支持向量机算法相结合的新方法——差分演化支持向量机,该方法利用差分演化的方法合理、有效地解决了支持向量机中最优参数选取困难的问题,通过自动选取最佳参数得到最优的分类模型,从而极大地提高了支持向量机分类算法的分类精度与通用性,使得其也能广泛地应用于其它多种不同的待分类数据中。