临床上检测异位性心搏，对心血管疾病的早发现、早诊断、早治疗有重大意义。异位性心搏的自动识别能有效减轻人工识别的负担。采用 37只小鼠各 10 min的心电图(ECG)信号，由 3位专家完成异位性心搏的标定及数据库的建立。在此基础上，使用 7种机器学习方法，组合脉冲排除滤波器和模板匹配算法的值，对异位性心搏点进行自动识别。实验结果表明， 7种机器学习的方法都能得到较好的预测性能(所有曲线下面积 (AUC)大于0.899)，其中集成学习 AdaBoost的预测能力最好(AUC=0.940，准确度、特异性均为 0.888)。

为了实现高光谱图像的有效压缩采样与重构, 对分布式压缩采样的高光谱数据应用线性混合模型进行重构。首先, 在图像采集阶段, 针对高光谱图像的空谱特性, 应用分布式压缩采样策略对高光谱数据进行采集；在数据重构阶段, 应用高光谱图像的线性混合模型假设, 先对压缩数据进行端元数目的估计, 再利用估计的端元数来估计丰度矩阵, 根据端元特征信号的稀疏性质提取端元矩阵, 从而重构出原始的高光谱数据, 抛弃了压缩感知重构算法中高计算复杂性的欠定问题求解。实验结果表明：在压缩采样数据为总数据的 20%时, 重构的平均信噪比比压缩投影主成分分析算法提高了 15 dB以上, 同时该方法还便于获得端元和丰度信息。所设计的压缩感知方案采样方式简单, 重构速度快、精度高, 可应用于星载或机载的高光谱压缩感知成像。

由于高光谱遥感图像的混合程度较高, 使得传统的非负矩阵欠逼近(Nonnegative Matrix Underapproximation, NMU)算法所提取的基本成分仍然“不纯”, 且易受噪声影响。针对这些不足, 提出了一种基于L1/2正则化的软阈值NMU逐次光谱解混算法。首先, 通过引入丰度的L1/2正则项来增强算法的地物区分能力, 进而提高所分离地物的纯度; 其次, 利用软阈值惩罚函数代替NMU中的残差非负约束, 通过调节惩罚因子来控制非负元素的数量, 从而提高算法的抗噪性能。在仿真数据和实测数据上的实验结果表明, 即使在有噪声的条件下, 该算法也能得到较好的分离结果。

针对星载多光谱图像压缩，提出了基于子带谱间变换的压缩算法。该算法首先对多光谱图像序列的每个波段分别进行空间二维小波变换，以此去除多光谱图像的空间相关性;为了去除多光谱图像的谱间相关性，将小波分解后的每一层子带作为整体，采用串行成对变换的方式对两个波段进行子带谱间KLT变换;最后,利用最优截断的嵌入式块编码算法对变换后的所有主成分同时进行最优率失真压缩。实验结果表明，该算法能够获得较好的压缩性能，同时具有较低的编码复杂度，适用于星载多光谱图像的压缩。

多光谱图像的有效压缩已经成为遥感领域亟待解决的难题。针对星载多光谱成像仪获取的多光谱图像，提出了一种基于分块KLT（Karhunen-Loève transform, 卡胡南-洛维变换）的低复杂度有损压缩算法。该算法首先对每个波段分别进行空间二维小波变换，以去除多光谱图像的空间相关性；然后将每个波段分成互不重叠且大小相等的图像块，每次仅对相邻两个波段的对应图像块进行谱间KLT 变换，以去除谱间相关性；最后对变换后的所有波段进行联合EBCOT（Embedded Block Codingwith Optimized Truncation，最优截断的嵌入式块编码）压缩。实验结果表明，该算法的压缩性能优于基于整体KLT 的多光谱图像压缩算法，并且具有较低的编码复杂度。

提出了两种基于Gabor特征与局部保护降维的高光谱图像分类算法。该算法利用嵌入主成分分析的Gabor变换对高光谱图像进行特征提取。为了保护相邻特征的局部信息，利用局部Fisher判别分析或局部保护非负矩阵分离对Gabor特征进行降维，并采用高斯混合模型分类器对降维后的特征进行分类。两组高光谱数据的实验结果表明，本文算法不但能充分挖掘高光谱图像的谱间-空间特征，而且有效保护了高光谱图像的局部特征信息与多模型结构。与现有的几种算法相比，本文算法能得到更高的分类精度和Kappa系数，在高斯噪声环境中也具有更强的稳健性。

有效的星载超光谱图像压缩技术对于解决超光谱图像实时传输极为重要。针对超光谱图像传统的联合编解码算法的不足，提出了一种基于分布式信源编码(Distributed Source Coding，DSC)的超光谱图像无损压缩算法。为利用超光谱图像的局部空间相关性，将超光谱图像进行分块处理；引入多元线性回归模型构建编码块的边信息，并为每个编码块选取最优的预测阶数，以有效利用超光谱图像的局部谱间相关性。根据(n，k)线性分组码的原理，通过多元陪集码实现超光谱图像的分布式无损压缩。实验结果表明：该算法能够取得较好的无损压缩性能，同时具有较低的编码复杂度，适合星载超光谱图像的压缩实现。

高光谱图像庞大的数据量给存储与传输带来巨大挑战，必须采用有效的压缩算法对其进行压缩。提出了一种基于分类的高光谱图像有损压缩算法。首先利用C均值算法对高光谱图像进行无监督光谱分类。根据分类图，针对每一类数据分别采用自适应KLT（Karhunen-Loève transform）进行谱间去相关；然后对每个主成分分别进行二维小波变换。为了获得最佳的率失真性能，采用EBCOT（Embedded Block Coding with Optimized Truncation）算法对所有的主成分进行联合率失真编码。实验结果表明，所提出算法的有损压缩性能优于其它经典的压缩算法。

针对超光谱图像压缩进行了研究，提出了一种有效的基于分布式信源编码(Distributed Source Coding, DSC)的有损压缩算法。该算法利用多元陪集码和标量量化的方式实现超光谱图像的分布式有损压缩，针对分布式信源编码，利用多波段预测的方式为每个编码块构造边信息，然后采用标量量化的方式对编码块和其边信息同时进行量化处理。根据分布式信源编码原理，给出了各编码块量化后的编码码率。为了减少标量量化带来的信息丢失，算法引入了跳跃策越。部分均方误差意义上损失较大的编码块将由其边信息直接代替。实验结果表明，所提出的算法性能与基于小波变换的算法性能相当；此外，该算法复杂度较低，适合星载超光谱图像的压缩。

星载高光谱图像的有效压缩已经成为高光谱遥感领域亟待解决的难题。分布式信源编码具有较低的编码复杂度与良好的抗误码性，在高光谱图像压缩领域具有广阔的应用前景。提出了一种基于多元陪集码的高光谱图像分布式近无损压缩算法。根据多元陪集码的Slepian-Wolf无损编码的压缩过程，提出了面向高光谱图像分布式近无损压缩的最优量化方案，使得高光谱图像在给定目标码率条件下的失真达到最小，在此基础上对量化值进行Slepian-Wolf无损编码，从而实现了高光谱图像的分布式近无损压缩。实验结果表明，与典型的传统算法相比，该算法取得了较好的近无损压缩性能和较低的编码复杂度。