高光谱遥感技术已经成为遥感发展的前沿，高光谱遥感影像分类是遥感应用不可缺少的关键环节，分类精度又直接影响分类效果。通过采用推理及样本学习等方式从数据中获得相应的理论，亓呈明、胡立栓著的《机器学习智能计算与高光谱遥感影像分类应用研究》针对高光谱遥感影像数据的高维特性，在系统分析和总结机器学习、智能计算、信息论基本理论和方法的基础上，从高维数据降维、波段特征选择与特征提取、分类器的构造和参数优化等角度展开高光谱遥感影像分类的研究。

1 高光谱遥感影像分类概述
1.1 高光谱遥感影像
1.2 高光谱遥感影像分类概述
1.3 遥感影像分类研究现状
1.4 遥感影像分类存在的问题
1.5 本书试验数据
2 遥感影像分类中的机器学习方法
2.1 机器学习分类方法
2.2 最小距离分类法
2.3 最大似然分类法
2.4 人工神经网络分类法
2.5 决策树分类法
2.6 K—均值算法
2.7 迭代自组织数据分析法
2.8 实验结果与分析
2.9 本章小结
3 统计学习理论与支持向量机
3.1 统计学习理论
3.2 最优化理论
3.3 支持向量机
3.4 实验结果与分析
3.5 本章小结
4 高光谱遥感影像的降维方法
4.1 高光谱遥感影像降维现状
4.2 特征选择与特征提取
4.3 遗传算法
4.4 主成分分析与核主成分分析
4.5 线性判别分析与核线性判别分析
4.6 投影寻踪法
4.7 流形学习
4.8 纹理特征提取
4.9 实验结果与分析
4.10 本章小结
5 基于BPSO的高光谱影像特征选择与分类
5.1 粒子群优化算法
5.2 粒子群优化算法在高光谱分类中的应用
5.3 实验结果与分析
5.4 本章小结
6 基于Kullback—Leibler的多核集成分类
6.1 引言
6.2 集成机器学习
6.3 基于Kullback—Leibler核函数的多核集成框架
6.4 实验结果与分析
6.5 参数分析
6.6 本章小结
7 基于改进最优指数的特征选择与分类
7.1 引言
7.2 支持向量机参数优化方法
7.3 基于最优指数的多核集成框架
7.4 实验结果与分析
7.5 本章小结
8 基于互信息混合测度的特征选择与分类
8.1 引言
8.2 两阶段波段选择与多核集成框架
8.3 实验结果与分析
8.4 本章小结