考虑多波段图像的融合识别可以扩展识别系统的应用范围，本文探索并设计了一种基于卷积神经网络的融合识别方法。该方法以AlexNet网络模型为基础，同时对可见光、中波红外和长波红外三波段图像进行特征提取; 然后，利用互信息的方法对串联的三波段特征向量进行特征选择，依据重要性排序的方式选定固定长度的特征向量; 最后，依据特征提取层级的不同，分别以早期融合、中期融合和后期融合3种融合方式来验证算法的有效性。采用自建的三波段舰船图像数据库进行了模型的训练和测试，共包含6类目标，5 000余张图像。实验结果显示，采用的3种融合识别方法中，中间层融合的识别准确率最高，达到84.5%，比早期融合和后期融合分别高5%和7%左右。另外，在本文的应用场景下，无论何种融合方式，其融合识别的准确率均明显高于其他单波段识别的准确率。

针对多聚焦图像与多光谱和全色图像的成像特点，结合Shearlet变换具有较好的稀疏表示图像特征的性质，提出了一种新的图像融合规则.并基于此融合规则，提出了基于Shearlet变换的自适应图像融合算法.在多聚焦图像的融合算法中，分别对聚焦不同的图像进行Shearlet变换，并基于本文提出的融合规则，对分解后的高低频系数进行融合处理. 通过与多种算法的比较实验证明了本文提出的算法融合的图像具有更高的清晰度和更加丰富的细节信息.在多光谱和全色图像的融合处理中，提出了一种基于Shearlet变换与HSV变换相结合的图像融合方法.该算法首先对多光谱图像作HSV变换，将得到的V分量与全色图像进行Shearlet分解与融合，在融合过程中对分解系数选用特定的融合准则进行融合，最后将融合生成新的分量与H、S分量进行HSV逆变换产生新的RGB融合图像. 该算法在空间分辨率和光谱特性两方面达到了良好的平衡，融合后的图像在减少光谱失真的同时，有效增强了空间分辨率. 仿真实验证明，本文算法融合的图像与传统的多光谱和全色图像融合算法相比，具有更佳的融合性能和视觉效果.

构建了一种结合光谱特征和纹理特征的多光谱影像决策树分类方法。以Landsat-7影像作为试验数据，通过分析Landsat-7影像的光谱特征值及NDVI、NDWI和NDBI特征值，确定各类地物的综合阈值，同时运用灰度共生矩阵对影像进行纹理信息提取，得到对比度、熵、逆差矩和相关性等纹理特征图像。在此基础上，运用决策树分类法对Landsat-7影像进行分类。结果表明，结合光谱特征和纹理特征的决策树分类方法，相比传统的最大似然法和决策树法，具有更高的分类精度。

为解决多光谱图像打印输出问题, 提出一种用非线性优化技术实现光谱图像打印分色的方法, 以同时提高再现图像的光谱精度和色度精度。从分析打印系统成色机理及Neugebauer光谱模型入手, 比较了图像光谱特性和色度特性对打印效果的影响, 可知输出图像光谱误差和色度误差对打印质量均至关重要; 据此构造了图像光谱误差和色度误差目标函数, 分别反映再现图像的光谱精度和色度精度, 并根据实际打印过程对各打印基色的墨量控制值进行约束; 最后采用非线性优化方法, 逐点计算图像光谱对应的墨量控制值, 实现打印分色。实验表明, 该方法能同时兼顾再现图像的光谱精度和色度精度, 与仅考虑光谱误差的迭代分色方法相比, 再现色度精度能提高约3～10倍。

采用局部标准差法和去相关法对实用型模块化成像光谱仪多光谱图像的信噪比进行估算。这两种方法已将地物变化的影响降低到很低的程度。这样在大气订正后,图像的信噪比性能充分反映出遥感仪器的信噪比性能。针对图像压缩,提出控制各波段恢复图像的峰值信噪比刚好大于原始图像的信噪比,使由压缩算法本身所带来的噪声限制在原始图像的噪声范围之内。结合这种压缩思想,用基于离散余弦变换和基于离散小波变换的压缩算法,对实用型模块化成像光谱仪多光谱图像进行压缩。实验表明,利用这种方法,对于高信噪比的波段,图像信息得到了保真;对低信噪比的波段,压缩倍数提高迅速且恢复图像视觉无失真,对整幅成像光谱图像,压缩性能提升显著――当压缩比等于37.95倍时,峰值信噪比等于45.86 dB。