(1)頻譜量化
高光譜圖像分類和目標檢測是基於地物光譜、其物理化學特征和物質成分之間的某種線性或非線性定量關系。通常，高光譜圖像會受到傳感器、大氣傳播、地形起伏、地球物理環境等多種因素的影響。，它們的DN值與地物的真實反射率值不壹致。因此，建立傳感器獲得的地物原始DN值與地物標準反射率值之間的定量關系非常重要。
(2)光譜解混
真正的純像元只能以理想狀態存在，混合像元在遙感圖像中普遍存在，嚴重制約了分類和目標檢測的精度。通常有線性和非線性方式來混合像素。當視場中的端元物體水平分布在壹定區域內且互不交叉時，其光譜混合模型是線性的；當視場中的端元是交叉分布的，並且端元之間存在多次散射時，光譜混合模型是非線性的。
(3)降維和特征提取
高光譜圖像細分的光譜波段為地物信息的提取提供了極其豐富的信息。但是，大量的波段必然會導致信息冗余，增加信息處理的復雜度。因此，對於高光譜圖像分類和目標檢測，高光譜數據降維(圖1.3)和特征提取尤為重要。傳統的降維方法包括主成分分析(PCA)、最小/最大自相關因子(MAF)、最小噪聲分數(MNF)、噪聲調整主成分(NAPC)、典型分析(CA)、獨立成分分析(ICA)、ICA、投影尋蹤(PP)、典型相關分析(CCA)、非負矩陣分解(NMF)和非線性主成分分析(KPCA)。目前比較先進的降維方法包括使用機器學習中的流形學習算法，如新開發的等距特征映射、局部線性嵌入、LLE)、拉普拉斯特征映射、局部切空間排列(LTSA)和多維尺度(MDS)。
圖1.3高光譜數據降維
(4)休斯現象
在高光譜圖像的監督分類中，經驗表明，當訓練樣本數為光譜維數的100倍時，效果最好。但是對於數百個波段的圖像，這通常是無法實現的。當訓練樣本數壹定時，分類精度會隨著波段數的增加先增加後降低。這就是高光譜圖像分類中的休斯現象(Hughes，1968)，將在2.1中闡述。
(5)低概率目標
目標在高光譜圖像中以各種形式存在，比如低概率、低曝光，甚至亞像素。這些目標統稱為低概率目標，高光譜圖像中感興趣的目標往往以這種形式存在，這也是分類和目標檢測的難點。
(6)處理效率
高光譜圖像數據的海量信息決定了需要通過並行運算來提高處理效率。並行運算利用處理單元的集成來解決海量數據處理的問題。其處理效率通常用加速比來表示，加速比定義為多個處理器的計算性能與單個處理器的計算性能之比。美國國家航空航天局開發了壹個便攜式迷妳集群，美國也開發了壹個地球模擬器，用5120處理器來解決這個問題。