高光谱遥感图像分类技术可以实现比普通图像分类技术更精准地识别地表物质的类别信息，在城镇土地规划、管理和精细农业等方面有重要应用。但是，在高光谱遥感图像的分类过程中也面临一些问题：高光谱遥感数据的快速增长，导致对图像进行标注需要大量的人力和物力，因此作为训练的标注数据常常非常有限；在进行地物分类过程中，某些类别对应的特征不够显著会造成后续分类器精度的降低；当训练样本有限时，分类器最终给出的总体分类精度会随着特征维数的增加而降低，即“维数灾难”问题。综合以上问题，在前两个问题无法有效解决的情况下，我们致力于研究“维数灾难”问题，针对高光谱数据的特点基于降维模型进行特征提取，通过学习表达能力强的低维特征来提高高光谱遥感图像分类模型的精度。尽管国内外研究者针对上述问题已有很多相关研究，提出了很多基于降维模型的高光谱数据处理模型，但尚未找到一本专著能够全面地从降维模型的角度去综合分析对比不同的降维模型对高光谱遥感图像分类的影响。高光谱遥感图像信息量丰富，每个像素点不仅存在光谱特征信息，而且还包含空间特征信息，因此，针对高光谱数据的上述特点，本书不仅考虑对光谱特征进行降维，更进一步考虑对空间特征进行降维。