本文选取了高光谱图像分类学的两大基本特征，在高光谱图像分类学领域，选择了光谱特征和空间特征表征方法。并对其在植被分类中的表现进行了比较，为以后把这两种方法有效地结合起来，进一步提高植被分类率提供参考。

本文提出了一种混合特征提取方法，把主元分析法与基于分散矩阵的特征选取方法相结合，以确定具有高类别可分离性的主组分进行后续分类，得出如下结论：

PCA_ScatterMatrix方法与原PCA、ICA、LDA法相比，在两个数据集上都具有较高的整体分类正确率，将PCA与PCA_ScatterMatrix进行比较，以获取总体分类正确率时所使用的主成分序号，发现PCA_ScatterMatrix除选取前几个主成分外，还选择信息贡献较小的主成分，说明PCA_ScatterMatrix方法是一种有效的方法，它证实了只依赖前几个主成分，并不能保证其正确率。

整体上光谱特征选择方法(例如：JMI.CMIM和JM)的光谱特征提取法(例如PCA.LDA和ICA)的分类正确率，原因在于特征选择的典型特征是基于特征构造的分类可分原则或信息量互补准则来选取特征，该标准使用了分类信息，而原PCA和ICA特征提取方法没有使用分类信息，是一种典型的非监督特征提取方法。尽管这两种方法都能达到降维的目的，但在非监督式分类识别问题上，非监督特征提取法明显处于劣势，这一点可从PCA.ICA.PCA_ScatterMatrix和LDA进行性能比较中得到验证(表2)，其中，PCA_ScatterMatrix和LDA是监督式特征提取方法，其分类性能明显优于原PCA和ICA；LDA算法本身的缺陷，使得所能选择的组分数目较少，从而限制了分类性能。一般特征选择法比特征提取法用于分类时要多得多(表2.表3和4)，如果实际应用时偏重，光谱特征提取法有优势。

在比较高光谱图像植被分类法的光谱学特性和空间特性方面，空间特征表征法得到的总的正确分类率明显高于光谱特征表征法，从而证明了空间特性对光谱相似度高的植被，尤其是盖博尔的空间特性具有明显的优势。

无人驾驶飞机遥感技术的发展，使获取高光谱遥感图像的成本越来越低，空间分辨率越来越高，从而能够提供更多的地物空间细节特征，但是，这也使同类地物类中的光谱差异增大，不同地物类之间的光谱差异减小，更高的谱内变化，更小的类间差异，对光谱区域内不同目标地物的模式可分性进行了研究。因此，充分挖掘影像的空间特征，对于后续的地物分类，尤其是在高光谱影像植被分类法这种特殊的应用下，各植被类型光谱之间自身的差异较小，充分挖掘其空间信息显得尤为重要。

本文在方法对比时，只采用一种图像验证算法的性能，以后还需对更多的以作物为下垫面的高光谱图像进行验证。但一般认为，作物间的光谱相似度较高，单靠光谱信息就难以对单个图像进行区域划分，在这种情况下，分析植被的空间特性是否有助于区分不同作物的光谱相似度，是需要研究的问题。因为大多数植物(例如作物)都有初生、发育、衰老等生命周期，在不同生长阶段表现出的光谱特性和空间特性也随之发生变化，随后将对不同生长阶段的植被光谱特征和空间特征进行分类，同时尝试利用多时相图像，挖掘出植被时相特征，探讨了它们与光谱特征、空间特征相结合对作物分类的影响。