高光谱图像包含丰富的空间信息和光谱信息，针对全色或多光谱图像的信息提取方法不适合高光谱图像的处理，因此，需要根据高光谱遥感的机理和图像的特点，发展新的信息提取模型与方法。高光谱图像波段多、数据量大，而且混合像元问题较为严重，且同物异谱影响明显，这都是信息提取研究需要解决的关键问题，概括为4个方面：

(1) 高光谱图像波段较多，相邻波段之间必然有着很强的相关性，这使得所观测到的数据在一定程度上存在冗余现象，而且数据量大，为图像的处理带来了压力，数据的膨胀导致计算机处理负荷大幅增加。另外，在高光谱图像数据获取过程中出现的噪声将会使图像中的光谱信息产生“失真”。因此需要进行数据降维，以压缩数据量和提高运算效率，同时可以简化和优化图像特征，并最大限度保留信号和压缩噪声。

(2) 当一个像元对应的瞬时视场内存在多种不同地物类型，该像元的光谱特征则由这些地物的光谱信息共同构成，由此产生了混合像元现象。由于遥感器空间分辨率的制约，高光谱图像中普遍存在混合像元问题，这是制约分类精度提高和目标探测准确率的重要因素。为进一步挖掘像元内部信息，需要进行混合像元分解，发展描述光谱混合物理过程的数学模型以及求解模型的解混算法。

(3) 利用高光谱图像进行地物精细分类是高光谱遥感技术应用的核心内容之一，分类结果是专题制图的基础数据，在土地覆盖和资源调查以及环境监测等领域均有着巨大的应用价值。高光谱图像分类中主要面临Hughes现象(Hughes，1968)和维数灾难(Bellman，2015)、特征空间中数据非线性分布等问题。同时，传统算法多是以像元作为基本单元进行分类，并未考虑遥感图像的空间域特征，从而使得算法无法有效处理同物异谱问题，分类结果中地物内部易出现许多噪点。

(4) 高光谱图像提供的精细光谱特征可以用于区分存在细微差异的目标，包括那些与自然背景存在较高相似度的目标。因此，高光谱图像目标探测技术在公共安全和国防领域中有着巨大的应用潜力和价值。高光谱图像目标探测要求目标具有诊断性的光谱特征，在实际应用中受目标光谱的变异性、背景信息分布与模型假设存在差异、目标地物尺寸处于亚像元级别等问题影响，有时存在虚警率过高的问题，需要发展稳定可靠的新方法。

此外，高光谱遥感观测的目的是获取有用的目标信息，而不是体量巨大的高维原始数据，传统图像处理平台和信息提取方式难以满足目标信息快速获取的需求。尽管高性能处理器件的迅猛发展，为亟待解决的高光谱图像并行快速处理和在轨实时信息提取提供了实现途径，但也面临着一系列的关键技术问题。并行处理和在轨实时处理都需要对算法架构进行优化，同时要依据处理硬件的特点考虑编程方面的问题，此外，在轨实时处理还对硬件在功耗等方面提出了特殊的要求。