若军队运营的机场遭袭，当前评估其状况的方法依赖缓慢的人工目视检查，使人员暴露于危险环境并延误修复作业。开发全自主远程评估方案将提升该关键任务的速度与安全性，但尽管无人机技术、深度学习与计算机视觉持续进步，这仍是一个未解决的难题。本研究探索使用近地表高光谱传感器替代红绿蓝（RGB）数码相机，以期提升机场评估的探测精度与准确度。然而，即使采用现代高光谱传感器，提升光谱图像分辨率的优势也需付出代价——在采集、数据校正与下游探测过程中会引入额外复杂性、不确定性与敏感度。本文通过一系列试验，逐步完善完整的高光谱图像探测流程：从传感器选型与原始数据采集起步，推进至辐射度校正，最终通过监督式深度学习实现图像识别。在传感器选型与数据采集方面，研究结果表明对多数计算机视觉应用而言，采用高光谱分辨率的高光谱相机并非必要；更具效益的是选择具有快照成像功能、同时最大化光谱范围或空间分辨率的相机。在辐射度校正环节，实验证明校正能使机器学习分类模型对场景光照变化更不敏感，从而提升整体图像识别性能。最后，本文测试了用于图像识别的深度学习模型，并开发出一种生成合成高光谱数据的新方法，证明在真实数据有限时，该方法可有效评估高光谱模型在更大数据集上的性能。总体而言，本论文的研究结果表明，通过优化数据采集、校正与探测方法，高光谱成像相较于传统RGB相机能提升图像识别性能。这一结论不仅适用于机场损伤评估，还可延伸至其他需要计算机视觉与场景理解的现实应用。

本文通过一系列试验，逐步完善完整的高光谱图像探测流程：从传感器选型与原始数据采集起步，推进至辐射度校正，最终通过监督式深度学习实现图像识别。附录D提供了全文使用的缩略语与技术术语列表。

第二章通过部署完全集成的无人机-传感器系统并采集机场环境的真实扫描数据，探索传感器选型与数据采集。研究结果表明，对多数计算机视觉应用而言，高光谱硬件选择不应以牺牲快照成像、更宽光谱范围或更高空间分辨率等特性为代价来追求光谱分辨率。第五章记录的实验进一步支持该结论：使用数百个光谱通道训练的图像识别模型，其性能并未优于（甚至常劣于）使用仅含数十个光谱通道的高光谱图像训练的相同模型。

第三章与第四章聚焦于如何及为何要进行目标探测的辐射度校正。本研究开发并验证了一种适用于机场评估应用的新型自动数据校正方法。附加实验证明该校正确系必要步骤，可使机器学习分类模型对场景光照变化的敏感性降低，从而提升整体图像识别性能。

第五章脱离机场损伤评估背景，基于极有限的现有研究进行拓展，为通过深度学习进行高光谱数据图像识别预处理提供了新见解与指南。该主题基于开源数据探索，并补充了少数能证明高光谱成像相较于传统RGB相机，在场景理解等计算机视觉常规任务上具有优势的研究成果。本章进一步强调了数据稀缺问题，该问题阻碍了对高光谱图像识别的深入理解与应用应用。

第六章提出了一种生成合成高光谱数据的新方法，第七章评估了其三种潜在用途：（1）训练用于真实数据的图像识别模型；（2）预训练用于真实数据的模型；（3）在真实数据有限时评估模型在更大数据集上的性能。基于开源数据的测试表明，该合成数据生成方法适用于评估模型性能，但目前尚不适用于直接训练或预训练模型。

最终，第八章将工作回归至机场环境，使用第六、七章开发的合成数据生成方法，评估高光谱成像在未爆弹药（UXO）与道面损伤探测中的优势。初步结果积极，为扩展数据采集工作及进一步推动高光谱图像识别的深度学习发展提供了依据。

第九章总结了本研究的主要结论并提出未来工作建议。