高光譜遙感對地物光譜特征進行了細致的刻畫，提高了地物識別的可靠性，但是隨著光譜維數增加也帶來了大量冗余數據，給高光譜數據處理與信息識別等增添了負擔，同時也會影響地物識別的精度，故地物識別時對高光譜數據進行降維、選取特征波段就顯得非常重要。支持向量機（Support Vector Machine，SVM）是壹種機器學習算法，由美國貝爾實驗室Vapnik針對分類和回歸問題，為適合小樣本學習問題首先提出來的（Vapnik，1995），SVM具有很好的泛化能力，並在壹定程度上克服了機器學習的維數災難。近年來，SVM以及基於其他算法改進的SVM用於高光譜影像的分類得到了廣泛應用，並取得了很好的分類精度（Melgani et al.，2004；李祖傳等，2011）。但針對高光譜數據冗余性，粒子群優化（Particle Swarm Optimization，PSO）算法在尋找最優特征波段組合與進壹步提高SVM分類精度方面具有較好的優勢。
PSO算法是壹種通過個體與群體之間的協作來尋找最優解的機器學習算法，具有自適應，自組織以及快速得到最優解的能力。PSO算法首先由Kennedy和Eberhart提出來的，後來為了使PSO有更廣泛的應用範圍，他們又提出了二進制PSO算法（Kennedy et al.，1995，1997；Khanesar et al.，2007；張浩等，2008）。自從PSO算法提出以來，該算法已經在各個研究領域得到了廣泛的關註。在高光譜遙感應用方面，Monteiro和Kosugi（2007）提出基於PSO的高光譜影像最佳波段組合和最佳波段數的選取方法，並通過實驗和傳統波段選取方法相比較，證明了基於PSO進行特征波段選取的優越性。丁勝等（2010）提出壹種PSO－BSSVM分類模型，用於高光譜影像特征波段的選取以及對SVM的參數尋優，通過和其他方法的實驗比較得出該模型可以提高分類精度。李林宜和李德仁（2011）也在模糊特征的選取中也用了PSO算法。總之PSO在高光譜影像分類的特征波段選取中應用比較成功，但由於PSO容易早熟，陷入局部最優，所以針對這點以及為獲得更高的SVM分類精度，對PSO加以改進是非常有意義的。Tent映射是混沌理論中典型的混沌映射例子，Tent映射具有隨機性和遍歷性，所以把Tent映射加入PSO可以對PSO算法容易陷入局部最優的狀況進行改善。本章就主要通過改進Tent映射後運用於二進制PSO算法進行尋優，尋找高光譜影像SVM分類的最優特征波段組合。