地物分类识别需求的不断升级,对遥感场景解译提出了新要求:更高的空间二维解译精度和遥感场景空间三维解译。利用多源遥感数据和新型遥感技术是满足不断升级的需求的有效手段。多/高光谱成像和单波段激光雷达(Light Detection And Ranging,LiDAR)是探测遥感场景地物信息的两种主要手段。多/高光谱图像提供遥感场景空间二维信息和丰富光谱信息,但受成像原理限制,丢失了地物在空间垂直方向的分布信息。单波段LiDAR(以下简称LiDAR)以主动成像方式获取遥感场景空间三维信息,与多/高光谱图像信息互补。近年来,随着立体光谱成像技术不断发展,实现了对遥感场景空间三维和光谱维信息的一体化获取。三波段LiDAR同时获取遥感场景空间三维信息和三波段激光脉冲回波强度信息,为遥感场景三维解译提供了数据基础。多/高光谱图像和LiDAR数据(或三波段LiDAR数据)为遥感场景解译提供更多判别信息的同时,也带来了关于地物特征提取与分类识别的新问题:如何从多/高光谱图像和LiDAR数据提取地物图谱-高程判别特征和设计分类模型、如何根据新型三波段LiDAR数据三维空间-强度一体化信息特点设计点云特征提取与分类模型等。本文深入分析遥感场景空间维、光谱(强度)维信息互补特性,分别从多/高光谱图像和LiDAR数据图谱-高程联合分类、三波段LiDAR点云数据三维空间-强度信息联合分类开展研究工作,旨在充分利用遥感场景空间三维信息和光谱(或强度)信息,提高地物分类精度。论文主要工作包括:(1)针对多/高光谱图像和LiDAR数据图谱-高程信息异构性带来的地物判别特征提取问题,提出了一种多/高光谱图像和LiDAR数据判别式图融合特征提取方法。首先,根据遥感场景地物多尺度特性,分别在各属性特征空间构建反映地物类内分布的多尺度相似性图,再利用各属性特征构建反映地物类间分布的非相似性图,增大类间距离、加强地物可分性;然后,通过融合各属性图消除地物在单属性特征空间中存在的虚假结构,保留反映样本类别本质属性的连接关系;最后,面向遥感场景地物分类,以最大类别可分性为优化准则,求解特征投影矩阵,将异源多属性特征包含的地物互补信息映射到低维特征中,为实现遥感场景地物分类提供可靠特征。相比于主流特征融合方法,利用本文方法提取的较低维数的融合特征能实现更优的分类性能。(2)针对图谱-高程融合特征分类面临的地物多尺度非线性分布问题,提出了特征-尺度双层判别多核学习框架进行地物分类。首先,在各维特征上进行多尺度基核构造,学习地物在各维特征空间的多尺度信息;再进行特征层多核学习,联合各特征包含的地物互补信息。为求解多核模型,进一步提出了判别多核学习方法,利用样本在核特征空间分布信息,优化基核组合权重系数,增强核机器对地物的分类能力。相比于遥感领域代表性多核学习方法,本文方法进一步提高了地物分类精度,并能解析基核对分类的重要程度。(3)针对三波段LiDAR数据三维空间-强度信息一体化表示和各维互补信息融合问题,提出了张量流形判别嵌入特征提取方法。首先,利用张量模型对三波段点云三维空间信息和三波段回波强度信息进行一体化表示,保留各维度信息间的耦合关系。在此基础上,融合三波段点云各维度信息,提取地物几何结构-强度融合特征。相比于原始三波段点云数据,利用本文方法提取的特征进行点云分类,分类精度提高了10%以上;相比于当前具有代表性的基于向量、张量的特征提取方法,本文方法提取的特征具有更强的地物分类能力。(4)针对三波段LiDAR数据多维度特征联合分类面临的地物高阶信息利用不足的问题,提出了多属性平滑图卷积网络进行三波段点云分类。传统特征融合方法不能有效从非线性数据中提取地物不变本质特征,本文结合深层网络结构对高阶不变特征的提取能力和图模型的非线性信息表达能力,进一步挖掘地物判别信息。首先,对点云进行分割生成超点作为后续分类对象;再以各属性特征为相似性度量准则,建立各属性特征下的图模型,融合各属性图作为图卷积网络输入;最后,根据遥感场景地物分布呈现的空间聚类特性,引入多尺度热运算对图卷积进行改进,提高模型对点云的分类能力。在真实三波段LiDAR数据上的实验结果表明,相比于当前代表性的图卷积网络方法,本文方法有效提高了地物三维分类精度。