和BC等）还需要大量的先验知识，对光谱特
征数据的依赖性也较高3。所以，在利用这些传统的分类方法对高光谱遥感影像
进行分类时，不但算法的执行速度会很慢，而且经分类处理后得出的结果在精度
方面也很难让人感到满意，有时甚至还会出现严重的Hughes现象。因此，对于
像高光谱遥感影像这种拥有较高数据维度和较少标注样本的遥感数据而言，把这
些传统的分类方法直接应用到高光谱遥感数据的分类处理过程中实际上是很不
合理的，也是不可行的2。
最近几年，基于机器学习的多种分类方法，比如决策树分类、神经网络分类、
贝叶斯分类和SVM分类等等，已经在遥感领域得到了广泛的应用，并成为遥感领
域中的一个新的研究热点611。然而，从目前国内外研究者已有的在这类方法的
研究上看，虽然决策树分类、神经网络分类和贝叶斯分类与上文所提到的传统的
分类方法相比，在高光谱遥感影像的分类性能和分类精度方面分别有了一定程度
上的提高，但由于这三种分类方法仍然是建立在经验风险最小化原则的基础之上
的6，因此这也就同样无法避免上文所述及的传统分类法所避免不了的缺陷。而
其中的神经网络往往还会陷入局部最优的问题。
与决策树分类、神经网络分类和贝叶斯分类不同的是，SVM由于是在统计学
习的理论背景下产生的，并且以结构风险最小化原则为基础，所以SVM有着严格
的理论基础，能够较好地解决高光谱遥感数据中的小样本、非线性和高维数等问
题。因此与上述其它方法相比，SVM在高光谱遥感影像分类方面取得了较大成功，
并有着训练样本小、分类精度高、学习效率高和模型推广性好且能避免局部最优
等诸多优点6。故本文选取SVM分类算法作为高光谱遥感影像数据分类方法的代
表，对其具体内容作一个较为详细的介绍。
4SVM分类
实际上，本文所详述的用于高光谱遥感影像数据分类的支持向量机（SVM）
分类算法产生自机器学习领域。而也正如大家所了解的那样，支持向量机（SVM）
是一种广泛用于数据分类和回归的监督学习模型或算法，在众多的遥感图像分类
算法中它被归于监督分类算法的一员。本文在前文中也有提到，SVM是一种建立
在统计学习理论（起源于上个世纪60年代）之上的，并采用结构风险最小化准
则的机器学习算法。这使得它能够对小样本统计进行较好的估计和预测学习，同
时缩小模型泛化误差的上界，从而提高模型的泛化能力和推广性。由于目前有关
fSVM分类算法的种类和变种有很多，所以为了更好地了解SVM，掌握其核心思想
与灵魂，本文只对标准的SVM算法r