موضوع استخراج اطلاعات و تهیه نقشه های موضوعی، یکی از اهداف اصلی مورد بحث در تحلیل و پردازش تصاویر سنجش ازدور است. در این راستا، یکی از مهمترین و بهترین روش های دست یابی به این هدف، طبقه بندی تصاویر می باشد. توابع طبقه بندی کننده، عمدتاً از نمونه های آموزشی کلاس ها و اطلاعات و دانش جمع آوری شده در مورد آن ها جهت توصیف بهینه پراکندگی کلاس ها و انجامِ طبقه بندی استفاده می نمایند. لاکن، زمانی عمل کرد طبقه بندی کننده ها قابل اطمینان خواهد بود، که نمونه های آموزشی هر کلاس، نماینده های مناسبی برای آن ها بوده و به تعداد کافی برای هر کلاس موجود باشند. از طرف دیگر، با افزایش تعداد باندها، تعداد جزئیّات موجود در فضای ویژگی به صورت نمایی رشد خواهند کرد. ازاین رو، برای نمایش بهتر کلاس ها، تعداد بسیار بالایی از نمونه های آموزشی برای هرکلاس، مورد نیاز خواهد بود. امّا جمع آوری تعداد بالای نمونه های آموزشی، بسیار پُرهزینه و زمان بر می باشد. از طرفی در سنجش ازدور، جمع آوری نمونه های آموزشی در نزدیک ترین زمان به زمان تصویربرداری بسیار حائز اهمیت است، که این خود بر محدودیت تعداد نمونه های آموزشی جمع آوری شده می افزاید. محدودیت های مذکور، مشکلات متعددی را در تخمین پارامترهای آماری کلاس ها و توصیف آن ها ایجاد نموده و باعث می شوند که روش های تخمین پارامترهای آماریِ مورد استفاده در تصاویر چند طیفی، برای تصاویر ابرطیفی جوابگو نباشند. موارد فوق الذکر و مسائل بسیارِ دیگر در زمینه اخذ و تحلیل داده های ابرطیفی، دلایل محکمی بر بکارگیری روش های کاهش تعداد ابعاد نظارت نشده هستند. در این راستا، تحقیق حاضر سعی بر آن دارد که بتواند الگوریتم هایی را در زمینه کاهش تعداد ابعاد نظارت نشده ارائه نماید، به طوری که پیاده سازی و استفاده از آن بسیار ساده بوده و از کارایی بالایی نیز در حفظ تفکیک پذیری کلاس های تصویر برخوردار باشند. بدین منظور، دو روش انتخاب ویژگی pfs و mtd و دو روش استخراج ویژگی pfe و nwpfe در فضای پدیده ارائه گردیدند. این روش ها از خصوصیات و قابلیت های فضای پدیده بهره جسته و کاهش بهینه تعداد ابعاد تصاویر ابرطیفی را فراهم می نمایند. روش pfs با انتخاب اطلاعات دارترین باند به عنوان اولین ویژگی و استفاده از تکنیک osp در فضای پدیده، ویژگی های مستقل را بر مبنای اولین ویژگیِ مذکور انتخاب می نماید. روش mtd از طریق تانژانت زاویه بین بردارهای باندی در فضای پدیده، دو معیار برای تشخیص استقلال باندها تعریف نموده و نهایتاً مستقل ترین باندها را به عنوان ویژگی های مناسب برمی گزیند. تعیین خودکارِ تعداد بهینه ویژگی های مناسب را می توان به عنوان خصوصیت دیگر این روش برشمرد. روش های استخراج ویژگی pfe و nwpfe با الگوریتم های نسبتاً مشابه، باندها را در فضای پدیده خوشه بندی نموده و نماینده هر خوشه را به عنوان ویژگی استخراج شده جدید معرفی می نمایند. خوشه بندی باندها، در واقع باندهای مشابه را در یک خوشه قرار داده و عملاً استقلالِ بین خوشه ها و نهایتاً ویژگی های استخراج شده را برقرار می نماید. اختلاف اصلی این دو روش در تعیین نماینده خوشه های باندی است، به طوری که روش pfe میانگین حسابی باندهای یک خوشه را به عنوان نماینده آن ها معرفی می نماید، درحالیکه روش nwpfe برحسب اطلاعات داربودن باندها در هر خوشه، وزنی را به هرکدام از باندها اختصاص داده و در انتها میانگین وزن دار آن ها (باندهای هر خوشه) را به عنوان نماینده خوشه باندی درنظر می گیرد. پیش از ارائه روش های کاهش تعداد ابعاد، به منظور بهره برداری بهتر از فضای پدیده، مطالعه جامعی برروی نحوه ساخت این فضا و انتخاب ویژگی های جذبی به عنوان ویژگی های بهینه، جهت انجام این مهم صورت گرفت. در این راستا، روشی به نام cdaf ارائه گردید، که ضمن انتخاب ویژگی های جذبیِ طیف های پیکسل های تصویر در فضای طیفی، اقدام به طبقه بندی آن ها نیز می کند. روش های کاهش تعداد ابعاد ارائه شده در این پژوهش، بر روی چندین داده ابرطیفیِ واقعی و یک داده شبیه سازی شده در دو snr مختلف، مورد ارزیابی قرار گرفتند. برای بررسی اثرات نویز، ارزیابی ها روی هر دو داده اولیه و سفید-نویزشده اعمال گردیدند. مجموعه آزمایش ها حاکی از آن بودند که روش های ارائه شده در این تحقیق دارای کارایی بالایی بوده و نتایج قابل توجهی را ارائه می نمایند. ضمناً، این روش ها با الگوریتم های پُرکاربرد دیگر نیز مقایسه شدند که روش pfs در بین روش های انتخاب ویژگی و روش nwpfe در بین روش های استخراج ویژگی، همواره برتری خود را بر روش های مورد مقایسه حفظ نموده و به اثبات رساندند. ضمناً، به طور کلّی، روش nwpfe به عنوان یک روش استخراج ویژگی، نتایج بسیار بهتری را در مقایسه با همه روش ها حاصل نموده و به عنوان قوی ترین روش معرفی می گردد.