中文摘要：

高光谱成像是探测与成像技术的一场深刻革命，同时也带来了信号与信息处理方法的变革，光谱分析和图像分析如何有机结合，以充分利用高光谱成像提供的丰富数据信息，是我们面临的巨大挑战。高光谱成像信息的外在数据表达是三阶张量形式，而内在的光谱、纹理、几何和光照特性之间存在复杂结构关系和信息冗余。张量代数和稀疏表达是信息处理和机器学习领域的新兴理论，和高光谱成像信息的数据处理形式和生成机制具有一致性。本项目在探讨张量结构和稀疏表达的内在关系、融合模型、及优化算法基础上，研究高光谱成像数据的张量结构稀疏表达机理，基于张量结构稀疏模型的张量稀疏分解/变换、张量结构特征提取/选择、张量结构稀疏回归和分类等方法，以及在高光谱成像数据的去噪、压缩、解混、匹配、识别和检测等关键问题上的应用。形成比较系统的张量结构稀疏理论，为高光谱成像数据处理提供新的处理和分析工具，并为其它物理系统的信息处理提供借鉴和参照。

结论摘要：

近年来，高光谱成像技术引起了学术界和工业界的广泛关注。相比于全色、彩色和多光谱影像，高光谱影像数据包含了更多的地物特征分布信息，但同时也带来了高维处理的难题，使得传统的模式识别和计算机视觉技术不能直接用于高光谱遥感影像数据。三阶张量是高光谱成像数据最自然的表达方式，而稀疏表达是刻画高光谱图像内在关系的有效工具。本项目重点研究基于张量表达和稀疏表达的高光谱成像信息处理，特别张量结构稀疏表达模型，及其在高光谱成像数据的去噪、压缩、解混、匹配、识别和检测等关键问题上的应用，形成比较系统的张量结构稀疏理论，为高光谱成像数据处理提供新的处理和分析工具。本项目取得的成果包括1）研究了基于线性张量分解（多线性变换）的高光谱信息表达模型，提出了基于张量分解的高光谱图像去噪、基于张量Vector-Matrix分解的光谱解混、基于非负张量分解的高光谱图像压缩和特征提取等方法。2）研究了高光谱成像信息的稀疏表达模型，提出了基于非局部稀疏表达的高光谱图像去噪、基于小波变换的高光谱图像稀疏特征选择和稀疏分类、和基于稀疏约束的光谱解混等方法。3）研究了张量结构稀疏模型和多任务稀疏模型，提出了基于多任务字典学习和稀疏表示的高光谱图像去噪、基于超图结构的高光谱解混、基于流形结构的高光谱数据可视化等方法。通过项目组成员的共同努力，圆满完成了预定目标，在IEEE地理科学与遥感会刊等顶级学术期刊和会议上发表论文20余篇，在高光谱成像信息处理领域具有较大的国际学术影响力。