木材往往堆积在室外，在对木材样本采集高光谱图像时往往会受到外界因素（光照、温度、湿度）的影响，从而造成木材树种的误判。为了解决这一问题，本文利用PLS（Pattern Lacunarity Spectrum）和LBP（Local Binary Pattern）对木材横截面的高光谱图像的纹理信息进行了特征提取，而后将高光谱图像的近红外光谱与纹理特征相融合，并以融合后的新特征作为识别的依据，最后使用SVM（Support Vector Machine）和BP（Back Propagation）神经网络两种分类器对木材树种进行了识别，实验表明该算法在无干扰情况下可拥有最高100%的识别正确率效果。为了验证该算法可以在高光谱图像失真的情况下依然可以对木材进行正确的识别，本文仿真了光照变化对高光谱图像的影响，并对比了影响前后的识别正确率，结果显示该算法可以在高光谱图像失真的情况下对木材的树种进行正确的识别，优于传统的和近期主流的木材树种分类算法。

提出协同分层波谱识别法，分别从兰州、榆林市Hyperion高光谱图像上识别9种目标地类，并与SVM监督分类对比。针对Hyperion图像波谱识别的4个难点：光谱信息高保真融合、敏感谱段提取、“椒盐效应”去除、 消除“同物异谱” 现象导致的误判，协同应用WP-GS融合、导数变换、4尺度面向对象分割和多谱段SAM解决上述难点，并基于Hyperion导数变换图像分析波谱变化特征、提取敏感谱段、从4个尺度层依次识别9种目标地类，然后根据目视评判和定量评价，与综合使用Gram-Schmidt光谱锐化融合/Savitzky-Golay卷积滤波/PCA变换的SVM监督分类结果比较识别精度。实验结果表明WP-GS融合的光谱保真效果优于Gram-Schmidt光谱锐化；4尺度面向对象分割抑制“椒盐效应”的效果优于Savitzky-Golay卷积滤波、移动均值滤波；多谱段SAM利用导数波谱特征能够消除因照度不同对同一类别地物的误判。采用协同分层波谱识别法，兰州市Hyperion图像波谱识别的总体精度、Kappa系数分别为89.52%、0.852，较SVM分类分别提高18.68%和17.52%；榆林市Hyperion图像识别地物的总体精度、Kappa系数分别为91.12%、0.873，较SVM分类分别提高17.80%和16.89%。协同分层波谱识别法应用多种技术一体化解决Hyperion图像应用难点，有效利用导数波谱变化特征提取目标敏感谱段，在复杂环境下识别目标地类的能力优于SVM监督分类。