中文摘要：

合成孔径雷达(Synthetic Aperture Radar，SAR)和光学遥感数据是目前遥感应用中采用最多的两种数据源，该两种遥感数据的物理特性具有互补性，研究该两种遥感数据源的融合理论具有重要的实际意义。本课题围绕基于集成机器学习的SAR与光学融合理论、处理方法等方面展开深入研究，主要研究SAR影像和光学影像的基本学习器构建、多学习器学习结果最优整合策略及多分类器融合的并行处理方法。最终，形成基于集成机器学习的SAR与光学多学习器融合理论，纳入该融合理论不仅包括基本学习器生成方法（不同种学习器如贝叶斯、神经网络、决策树和SVM，对输入特征处理，对训练数据进行处理等方法），而且还包括多学习器学习结果整合方法（简单投票、贝叶斯投票、D-S证据理论等整合方法）。形成单数据源单学习器、单数据源多学习器处理流程、多数据源多学习器处理流程及并行处理流程，取得以上处理流程试验结果。

结论摘要：

采用多种数据源和多个独立分类器融合方法可以减少分类误差,而系统研究基于集成机器学习的多分类器融合理论仍很少。本项目以应用机器学习领域最新研究成果，多层次、多级别整合基本学习器，最终得到超越单个学习器的分类精度，并通过并行处理方法，最终提高执行效率。主要研究内容包括（1）SAR与光学遥感影像的高精度配准技术；（2）基于集成机器学习遥感影像的融合理论；（3）遥感影像并行处理方法，并将并行处理技术应用于影像融合。本项目取得的重要成果主要包括（1）提出了基于特征与相似测度的SAR与光学影像精细配准技术。提出一个特征配准和相似测度相结合的整体配准模型，模型包括基于特征的初始配准部分和基于相似测度的进一步精配准。采用多尺度影像边缘检测方法提取影像边缘；采用改进的Hausdorff距离度量和空间距离度量作为匹配策略对影像进行混合多尺度匹配，如总误差过大则调整匹配参数重新匹配。实验结果显示初始配准总的精度为RMSE=2.423像素，精配准的总精度为RMSE=0.8963像素。（2）提出粗糙集约简的神经网络集成学习方法。首先提取波段数据、纹理等特征，形成决策表，利用粗糙集进行属性简化；其次将得到的简化特征用BP神经网络集成器对简化的数据进行学习，得到的网络模型用于后续分类。该方法可减少神经网络的拓扑结构及训练时间。结果表明本方法的分类精度达90.6%，高于基于原始波段的神经网络方法（89.2%）和基于原始波段及8种纹理的神经网络方法（89.9%）。应用本方法提出了基于属性约简及样本扰动的神经网络集成模型，分类精度进一步提高，高达91.0%。（3）试验了以面向对象分割为前提的集成学习分类技术。进行了两个方面的试验，分别为分类器的集成构造和合成方式。分类器的集成构造采用Bagging和AdaBoosting分别结合C4.5、SVM和RBFNetwork分类器进行分类实验；合成方式采用投票法合成C4.5、SVM和RBFNetwork分类器的分类结果。（4）提出遥感影像算法级并行处理框架。提出一种适用性较广的算法级并行处理框架。该框架采用基于消息传递的影像区域分解策略及处理池模式，有效的实现了各处理器任务均衡化，可实现了遥感影像按数据条、数据块和波段的分解。该框架既可支持集群计算机，也适用于单机多核计算机。4 核计算机下可实现约3 倍的加速，8 核计算机下可实现最高约5 倍的加速。