土地覆被分类是生态环境评价、植被变化分析以及区域生态水文过程研究的基础。航空高光谱遥感具有高机动、高空间分辨率和高光谱分辨率等特点，在土地覆被提取方面极具优势。以黑河下游机载高光谱遥感数据为基础，针对额济纳旗胡杨林国家级自然保护区植被单一、景观破碎和异质性强的景观特点，以及高光谱数据量大、冗余度高等数据特点，对比分析最小噪声变换与主成分分析两种降维方法，最大似然法、支持向量机与面向对象3种监督分类方法。依据研究结果，首先利用NDVI区分高光谱遥感数据中的植被与非植被类别，然后采用最小噪声变换分别进行降维处理，最后利用最大似然法对研究区内土地覆被类型进行分类提取，提取结果聚类处理。依据随机验证点结合地面调查数据和正射影像，对土地覆被分类结果进行精度验证，总体精度和Kappa系数分别为87.95%和0.855，表明分类结果精度高，能够为生态研究等提供有效数据。

高光谱影像(Hyper-Spectral Image，HSI)的图像修复是其数据应用中重要的一个环节，最终会影响后续工作的准确性。提出一种新的基于聚类结构自适应稀疏表示的高光谱遥感图像的修复算法，该方法的优点是根据遥感图像地物的特征进行自适应地块大小选择，并对像素聚类后各个波段图像按照字典学习算法进行稀疏表示，通过稀疏逼近实现高光谱遥感图像的修复。实验结果表明：利用自适应获得的稀疏系数能更好地表示高光谱图像，图像的峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)为26.6 dB，比其他研究的算法有所提高。该方法可以应用于遥感图像处理流程中，提高图像的应用潜力。

混合像元分解是提高遥感监测能力的有效方法之一，因此一直以来是遥感领域的重要研究内容。非负矩阵盲分解(Non-negative Matrix Factorization，NMF)方法无需监督选择端元，无需假定纯像元存在，且能同步获取优化的端元光谱与端元丰度，从而为先验知识不足、高度混合场景下的混合像元分解提供了不错的选择，因此成为高光谱混合像元分解方法的重要分支之一。但NMF易陷入局部最优，若直接应用于混合像元解混难以获取稳定的最优解，从而影响了NMF在光谱混合分解的推广应用。针对这一问题，提出一种利用空谱预处理 (SSPP)改进NMF的混合像元分解方法(SSPP-NMF)。首先利用SSPP算法结合空间和光谱信息筛选出合理有效的数据子集；然后用NMF算法对筛选出的数据子集进行混合像元分解，获取具有空间均匀性和光谱纯净性的端元光谱；最后基于上一步获取端元光谱利用非负最小二乘法(NNLS)获取整个研究区的最终端元丰度。为检验该方法的有效性和适用性，分别采用模拟仿真数据和真实遥感影像分析了SSPP对NMF的改善效果，并与ATGP-NMF、MVC-NMF两种基于初始化改进NMF的方法进行了比较分析，结果表明:相比ATGP-NMF、MVC-NMF而言，SSPP算法更能有效抑制噪声的影响，明显地提高NMF分解效果，并且具有较高的时间效率。

为了提高以凸几何模型为基础的标准线性解混模型的计算精度，利用离散粒子群算法((Discrete Particle Swarm Optimization，D-PSO)来求解分段凸多模态高光谱图像端元提取。D-PSO为智能随机搜索算法，适合求解非凸函数的全局最优解，减少由凸分段数不确定性引起的解混误差。选取了16个地物作为端元，利用D-PSO方法求得其解混丰度反演结果,实验结果表明:端元位置与地面真值图上的端元位置互相匹配，D\|PSO方法能够更有效地检测出高光谱图像中的目标，是一种行之有效的解混方法。

遥感数据质量评价是传感器研制和遥感数据应用的桥梁。针对2016年12月我国发射的自主研制的SPARK微纳卫星获取的高光谱数据，分别采用辐射精度、信噪比、信息熵和清晰度4个客观指标对SPARK 1A级数据的辐射质量进行评价。综合各个指标计算结果，方差和信息熵表明SPARK数据主要信息集中在81~152波段(542~985 nm)，该谱段数据平均信息熵6.28，信噪比47.63 dB，清晰度179.5，均高于其他波段，即该谱段数据质量优于其他波段，有利于不同地物的光谱识别和空间特征提取；1~80波段(411~539 nm)数据平均信噪比和信息熵分别为38.23 dB和5.28，且图像在该谱段灰度值低，灰度变化范围较小，使用前可进行图像增强