高光譜圖像包含豐富的空間信息和光譜信息，針對全色或多光譜圖像的信息提取方法不適合高光譜圖像的處理，因此，需要根據(jù)高光譜遙感的機理和圖像的特點，發(fā)展新的信息提取模型與方法。高光譜圖像波段多、數(shù)據(jù)量大，而且混合像元問題較為嚴重，且同物異譜影響明顯，這都是信息提取研究需要解決的關鍵問題，概括為4個方面：

①高光譜圖像波段較多，相鄰波段之間必然有著很強的相關性，這使得所觀測到的數(shù)據(jù)在一定程度上存在冗余現(xiàn)象，而且數(shù)據(jù)量大，為圖像的處理帶來了壓力，數(shù)據(jù)的膨脹導致計算機處理負荷大幅增加。另外，在高光譜圖像數(shù)據(jù)獲取過程中出現(xiàn)的噪聲將會使圖像中的光譜信息產(chǎn)生“失真”。因此需要進行數(shù)據(jù)降維，以壓縮數(shù)據(jù)量和提高運算效率，同時可以簡化和優(yōu)化圖像特征，并最大限度保留信號和壓縮噪聲。

②當一個像元對應的瞬時視場內(nèi)存在多種不同地物類型，該像元的光譜特征則由這些地物的光譜信息共同構(gòu)成，由此產(chǎn)生了混合像元現(xiàn)象。由于遙感器空間分辨率的制約，高光譜圖像中普遍存在混合像元問題，這是制約分類精度提高和目標探測準確率的重要因素。為進一步挖掘像元內(nèi)部信息，需要進行混合像元分解，發(fā)展描述光譜混合物理過程的數(shù)學模型以及求解模型的解混算法。

③利用高光譜圖像進行地物精細分類是高光譜遙感技術應用的核心內(nèi)容之一，分類結(jié)果是專題制圖的基礎數(shù)據(jù)，在土地覆蓋和資源調(diào)查以及環(huán)境監(jiān)測等領域均有著巨大的應用價值。高光譜圖像分類中主要面臨Hughes現(xiàn)象和維數(shù)災難、特征空間中數(shù)據(jù)非線性分布等問題。同時，傳統(tǒng)算法多是以像元作為基本單元進行分類，并未考慮遙感圖像的空間域特征，從而使得算法無法有效處理同物異譜問題，分類結(jié)果中地物內(nèi)部易出現(xiàn)許多噪點。

④高光譜圖像提供的精細光譜特征可以用于區(qū)分存在細微差異的目標，包括那些與自然背景存在較高相似度的目標。因此，高光譜圖像目標探測技術在公共安全和國防領域中有著巨大的應用潛力和價值。高光譜圖像目標探測要求目標具有診斷性的光譜特征，在實際應用中受目標光譜的變異性、背景信息分布與模型假設存在差異、目標地物尺寸處于亞像元級別等問題影響，有時存在虛警率過高的問題，需要發(fā)展穩(wěn)定可靠的新方法。

此外，高光譜遙感觀測的目的是獲取有用的目標信息，而不是體量巨大的高維原始數(shù)據(jù)，傳統(tǒng)圖像處理平臺和信息提取方式難以滿足目標信息快速獲取的需求。盡管高性能處理器件的迅猛發(fā)展，為亟待解決的高光譜圖像并行快速處理和在軌實時信息提取提供了實現(xiàn)途徑，但也面臨著一系列的關鍵技術問題。并行處理和在軌實時處理都需要對算法架構(gòu)進行優(yōu)化，同時要依據(jù)處理硬件的特點考慮編程方面的問題，此外，在軌實時處理還對硬件在功耗等方面提出了特殊的要求。