针对草原土壤属性高光谱监测过程中地表枯落物对土壤光谱建模精度的影响。 以呼伦贝尔典型草原土壤光谱为研究对象, 通过室内模拟光谱实验及野外光谱实测验证, 分析混合光谱特征, 揭示枯枝落叶层对土壤光谱影响的规律, 提出了基于光谱相似值约束下的盲源分离ICA算法, 对混合光谱进行解混, 削减枯枝落叶层对土壤光谱的影响。 结果表明, (1)随枯枝落叶盖度增加, 光谱纤维素吸收指数(CAI)增加, 呈二次回归递增趋势, 可有效检验混合光谱中枯枝落叶的覆盖程度； (2)混合光谱在700 nm跃迁波段有明显的斜率陡增现象, 并在1 680及1 754 nm处存在微弱的木质素吸收特征, 在2 100 nm附近处出现强吸收特征； (3)优化后的BSS-ICA算法可有效分离枯枝落叶同土壤的混合光谱, 进而提升野外光谱估测有机碳含量的精度, 分别利用偏最小二乘回归(PLSR)、 支持向量机(SVM)及随机森林(RF)对解混前后光谱建立预测有机碳预测模型； 其中SVM模型预测精度最高, 预测集的R2从0.71提高到0.75, RMSE从4.82 g·kg-1降低到4.50 g·kg-1。 通过实验研究对定向去除外部环境参数中的地表枯枝落叶层对土壤高光谱影响进行了实证, 并通过野外实测数据验证解混算法的有效性, 为完善野外原位光谱数据反演及监测土壤理化属性提供理论依据。

提出一种用于高光谱图像小目标探测的目标光谱学习算法, 目的是从图像中学习得到一条更为准确的目标光谱, 从而提高有监督目标探测的效果.该算法由基于自适应权重的目标光谱学习算法和自完备字典两部分组成.前一部分内容是在已有完备的背景字典的情况下, 通过稀疏编码和梯度下降算法来优化学习目标光谱; 后一部分内容通过背景字典的不断扩充来确保该字典的完备性, 从而保证了学习算法的准确性.仿真和实际高光谱数据的实验结果表明, 所提出的方法能有效地提取出准确的目标光谱, 从而显著提高目标探测算法的精度.

通过数学变换手段将混合物光谱中某待测组分（已知纯光谱组分）所包含的信息集中于原点， 使得待分析组分光谱在变换结果曲线的原点处贡献最大， 称之为纯光谱组分的自加强作用； 在杂质光谱所包含谱带中心位置与待分析组分纯光谱差别较大的假设基础之上， 通过理论分析可认为杂质光谱在变换结果曲线原点处贡献最小， 因而可选择变换结果曲线原点处的小波变换系数作为待测组分定量分析的依据， 降低了分析位置选择的人为性， 增强了分析手段的可靠性与适应性。 模拟对比了理想曲线与含加性高斯白噪声信号的变换结果， 证明该方法具有好的抗噪特性。 模拟分析结果表明， 该方法相比以往文献报道的单纯利用小波系数作为定量分析依据的做法在分析误差方面有很大改善。