| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-14页 |
| 图目录 | 第14-17页 |
| 表目录 | 第17-19页 |
| 缩写与符号 | 第19-24页 |
| 第一章 绪论 | 第24-32页 |
| 1．1． 课题研究背景和意义 | 第24-26页 |
| 1．2． 课题研究的历史与发展 | 第26-29页 |
| 1．3． 本文的主要工作与贡献 | 第29-31页 |
| 1．4． 本文内容安排 | 第31-32页 |
| 第二章 多光谱数据分类基础 | 第32-54页 |
| 2．1． 背景介绍 | 第32-34页 |
| 2．2． 多光谱数据的描述与数学模型 | 第34-37页 |
| 2．3． 传统多光谱数据分类算法 | 第37-47页 |
| 2．3．1． 多光谱数据分类原理 | 第37-38页 |
| 2．3．2． 多光谱数据分类算法 | 第38-47页 |
| 2．4． 高维多光谱数据分类的困难 | 第47-50页 |
| 2．4．1． 高维空间的特性 | 第47-49页 |
| 2．4．2． Hughes现象 | 第49-50页 |
| 2．5． 多光谱数据分类流程 | 第50-54页 |
| 第三章 基于支持向量机的高维多光谱数据分类 | 第54-90页 |
| 3．1． 传统模式识别方法的缺陷 | 第54页 |
| 3．2． 统计学习理论 | 第54-61页 |
| 3．2．1． 研究背景 | 第54-55页 |
| 3．2．2． 机器学习问题的表示 | 第55-57页 |
| 3．2．3． 经验风险最小化归纳原则 | 第57-58页 |
| 3．2．4． 学习机器的复杂性与推广性 | 第58-59页 |
| 3．2．5． 函数集的学习能力与VC维 | 第59-60页 |
| 3．2．6． 结构风险最小化归纳原则 | 第60-61页 |
| 3．3． 支持向量机 | 第61-73页 |
| 3．3．1． 最优分类超平面 | 第62-64页 |
| 3．3．2． 构造最优分类超平面 | 第64-66页 |
| 3．3．3． 广义最优分类超平面 | 第66-67页 |
| 3．3．4． 支持向量机 | 第67-72页 |
| 3．3．5． SVM特点的讨论 | 第72-73页 |
| 3．4． SVM多光谱数据分类 | 第73-78页 |
| 3．4．1． 人工数据分类 | 第73-76页 |
| 3．4．2． 高维多光谱数据分类 | 第76-78页 |
| 3．4．3． 实验结果讨论 | 第78页 |
| 3．5． SVC在多光谱数据分类中的特性 | 第78-86页 |
| 3．5．1． SVC分类性能与核函数之间的关系 | 第79-80页 |
| 3．5．2． SVC分类性能与SV之间的关系 | 第80-81页 |
| 3．5．3． SVC分类性能与核函数参数的关系 | 第81-82页 |
| 3．5．4． SVC分类性能与数据维数之间的关系 | 第82-85页 |
| 3．5．5． SVC分类性能与训练样本数量之间的关系 | 第85页 |
| 3．5．6． 实验结果分析 | 第85-86页 |
| 3．6． 小结 | 第86-90页 |
| 第四章 快速支持向量机学习算法 | 第90-102页 |
| 4．1． 概述 | 第90-92页 |
| 4．2． BSS-SVM算法 | 第92-96页 |
| 4．2．1． 模糊聚类（FCM） | 第92-94页 |
| 4．2．2． 有效聚类中心选择 | 第94-95页 |
| 4．2．3． 边界样本选取（BSS） | 第95-96页 |
| 4．2．4． SVM训练 | 第96页 |
| 4．3． 实验与结果 | 第96-101页 |
| 4．3．1． 选择的边界样本与支持向量之间的关系 | 第97-98页 |
| 4．3．2． BSS-SVM算法的性能 | 第98-100页 |
| 4．3．3． 实验结果讨论 | 第100-101页 |
| 4．4． 小结 | 第101-102页 |
| 第五章 支持向量机多类分类算法 | 第102-118页 |
| 5．1． 概述 | 第102-103页 |
| 5．2． ECC-SVM多类分类算法 | 第103-104页 |
| 5．3． ECC-SVM推广性的理论分析 | 第104-108页 |
| 5．4． 1-v-R SVM多类分类算法的推广性分析 | 第108-109页 |
| 5．5． ECC-SVM的特点 | 第109-110页 |
| 5．6． ECC-SVM算法的性能 | 第110-115页 |
| 5．7． 关于ECC-SVM的讨论 | 第115-116页 |
| 5．8． 小结 | 第116-118页 |
| 第六章 双并联前向神经网络多光谱数据分类 | 第118-136页 |
| 6．1． 概述 | 第118-120页 |
| 6．2． DPFNN推广性的理论分析 | 第120-126页 |
| 6．3． 输出层权值正则化的DPFNN学习算法 | 第126-128页 |
| 6．4． 新DPFNN学习算法的性能 | 第128-133页 |
| 6．5． 关于DPFNN的讨论 | 第133-134页 |
| 6．5．1． 新学习算法与BP算法的比较 | 第133页 |
| 6．5．2． 需要进一步研究的问题 | 第133-134页 |
| 6．6． 小结 | 第134-136页 |
| 第七章 核空间特征提取算法 | 第136-164页 |
| 7．1． 概述 | 第136-141页 |
| 7．2． 核空间特性 | 第141-143页 |
| 7．2．1． 核空间中数据的线性可分性 | 第141-142页 |
| 7．2．2． 高维空间中数据的统计特性 | 第142-143页 |
| 7．3． 两类分类问题的BKFE算法 | 第143-149页 |
| 7．4． 多类分类问题的BKFE算法 | 第149-152页 |
| 7．5． BKFE特征提取算法的性能 | 第152-160页 |
| 7．5．1． 人工数据特征提取 | 第153-156页 |
| 7．5．2． 多光谱数据特征提取 | 第156-160页 |
| 7．6． 关于BKFE算法的讨论 | 第160-162页 |
| 7．7． 小结 | 第162-164页 |
| 第八章 总结与展望 | 第164-170页 |
| 8．1． 总结 | 第164-166页 |
| 8．2． 研究展望 | 第166-170页 |
| 参考文献 | 第170-190页 |
| 已经发表和投稿的论文目录 | 第190-192页 |
| 参加过的主要科研工作 | 第192-193页 |
| 获得的奖励与荣誉 | 第193-194页 |
| 致谢 | 第194-195页 |