高光谱图像(HSI)是在一定光谱范围内的成像,包含了上百个谱段,利用HSI的光谱信息和空间信息可以对目标进行精确识别。近些年,随着HSI技术不断的发展,其不仅应用到对地遥感方面,而且在食品健康方面也得到了长足发展。但是,HSI数据的波段有很多,造成了信息冗余的现象,这会影响后续的数据处理速度和最终的分类精度。所以,在尽可能保留高光谱图像有效信息的前提下对高光谱数据进行降维,这是个极具有意义的研究方向。波段选择和特征提取是HSI常见的数据降维方法,波段选择是在原始的波段中挑选出最有效的若干波段集合,这种方式降维之后的数据不会破环原始数据的物理特性;而特征提取方法是通过对原始数据的计算转换后降维,寻找一种对原始数据更好的数据表达,降维之后的数据会改变原始数据的物理特性。本文中,在猕猴桃早期的隐性损伤检测中,提出一种新的基于波段选择的方法框架;在对地遥感的公共数据集上面,基于已被标注的小样本训练集上,提出了一种新的数据降维方法:(1)基于核偏最小二乘法的猕猴桃早期隐性损伤的无损检测。高光谱技术在猕猴桃早期隐性损伤检测方面的应用,较少有基于小样本的波段选择的引入,对其分类也大多从图像处理方面。基因序列数据中,样本很少,特征极多,核偏最小二乘法(K-PLS)在基因数据的特征选择中很有优势,所以本文中,在采集的猕猴桃样本数量有限的情况下采用K-PLS来选择波段。在900nm-1700nm的光谱范围,对良好的猕猴桃和损坏的猕猴桃(表面肉眼看不出是否损伤)采集高光谱图像,通过K-PLS方法提取若干有效波段,然后对提取波段后的数据利用主成分分析(PCA)提取特征并降维,最后利用机器学习的方法进行分类。(2)基于超像素分割的多核PCA(MKSPCA)降维方法。本文对HIS首先进行超像素分割,得到多个局部均匀的区域,然后在每个区域中进行局部的降维,最后整合各个局部的数据作为后续处理的数据集。算法首先利用PCA对HSI压缩,选择第一个主成分图像,然后用基于熵率的分割方法(ERS)对该图像进行分割,得到分割图。根据分割图,把原始数据划分为多个区域,在每个区域中用多核把数据进行投影变换到新的空间,进一步对变换后的数据利用PCA降维,最后整合各个局部的数据。本文提出的两个方法,均取得了很好的效果,表明高光谱数据降维技术在实际应用中和理论研究中依然是一个重要的技术手段。