高光谱遥感技术以其独特的“光谱指纹”识别能力，为精确解译地球表面信息提供了前所未有的可能，但海量光谱数据的复杂性也对传统分析方法提出了严峻挑战。本书是一部全面介绍高光谱遥感图像分类方法与人工智能应用的专业图书，系统地将机器学习与深度学习的前沿成果引入高光谱遥感图像分类领域。
全书构建了从传统机器学习方法到深度神经网络架构，再到前沿强化学习智能体的完整技术体系，深入探讨了从数据降维、特征提取到分类优化的完整技术链条，涵盖主成分分析（PCA）、支持向量机（SVM）、随机森林（RF）等经典机器学习方法，以及卷积神经网络（CNN）、生成对抗网络（GAN）、注意力机制等深度学习技术。
本书适合作为高等院校相关专业的教材或教学参考书，也适合从事高光谱遥感图像处理、人工智能与深度学习研究的技术工程师和开发人员阅读。本书将为对人工智能技术和图像处理感兴趣的读者提供从理论学习到项目开发的完整实践路径。
第1章 高光谱遥感图像与人工智能概述
1.1 高光谱遥感图像的发展历史
1.2 高光谱遥感图像处理技术与应用
1.3 高光谱遥感图像分类方法与机器学习
1.4 高光谱遥感图像分类方法与深度学习
1.5 总结与发展趋势
第2章 高维图像的降维与特征提取方法
2.1 主成分分析方法
2.2 线性判别分析方法
2.3 独立成分分析方法
2.4 特征选择方法
第3章 基于机器学习的图像分类方法
3.1 线性回归图像分类方法
3.2 逻辑回归图像分类方法
3.3 朴素贝叶斯图像分类方法
3.4 KNN图像分类方法
3.5 SVM图像分类方法
3.6 K-means图像分类方法
3.7 决策树图像分类方法
3.8 随机森林图像分类方法
第4章 PyTorch深度学习框架
4.1 PyTorch架构与功能
4.2 PyTorch应用案例：构建一个简单的CNN模型
第5章 基于PyTorch深度学习图像分类方法
5.1 多层感知机图像分类方法
5.2 CNN图像分类方法
5.3 DBN图像分类方法
5.4 RNN图像分类方法
5.5 GAN图像分类方法
5.6 自编码器图像分类方法
5.7 注意力机制图像分类方法
5.8 深度强化学习图像分类方法
参考文献