光谱匹配就是利用研究比较光谱与参考光谱间的相似程度的方式来判断比较光谱所属光谱类别。高光谱遥感器，即成像光谱仪，是指以获取大量的窄波段的连续的光谱图像数据为目的的光谱采集设备。基于高光谱遥感器在众多的窄波段获取数据的这一特点，可以由已知的地物类型反射光谱通过波形匹配或者特征匹配的比较，从而直接地识别地物类型。从概念上说，光谱匹配主要有三种模式[5]：                                     一、用光谱匹配方法把高光谱遥感图像里的未知像元的光谱曲线和典型光谱库里的光谱曲线进行比较，再把未知像元的光谱归到与它相似度最大的标准光谱曲线所属类别，这是查找过程。19377
二、利用标准光谱库，把有某特定特征的标准光谱曲线当模板和未知的多个像元逐一进行比较，找到与典型光谱相似度最大的未知像元并把其标记为此典型光谱的类别，这是匹配过程。
三、根据像元间的光谱曲线本身相似度，把最为相似的像元归为一类，这是聚类过程。
前两种的运作模式里，标准光谱曲线一般是从光谱库中提取的原始光谱数据，并且做了些相应预处理才得到的。而标准光谱库的建立和光谱匹配技术研究也是前面两种模式的解决问题关键所在。
当前光谱匹配模型有最小距离匹配模型和光谱角匹配模型，这两种模型均是以欧式空间作为根据。最小距离表示两向量之间的几何距离，而光谱角Spectral Angle Match（SAM）则表示两向量之间的夹角，是Kruse[9]等人在1992年提出的，2000年时，Carvalho& Meneses[10]等人又对光谱角模型SAM做了改进，并且提出了Spectral Correlation Mapper（SCM），在2001年，OSMRA[11]等人在SCM的基础上又提出了Spectral Identification Method(SIM)模型,但是由于没充分考虑光谱的物理原理，因此根据光谱角的分类识别法仅是光谱在数学上的计算与比较，并没有实际的物理意义。Clark & Swayze[12]在1995年提出Spectral Feature Fitting（SFF），1997年Meer & Bakker[13]建立了交叉相关光谱匹配技术，此技术考虑到了光谱之间的相关系数等多个因素。
在近几年，国内方面也加大了光谱匹配识别技术研究的力度。张杰林[14]等几人在2003年以高光谱数据特点为依据，详尽介绍了二值编码匹配算法和它在光谱的波形匹配比较方面的实验分析。陈芳[15]等人总结了现如今光谱匹配的四个主要算法：光谱角度匹配、二值编码匹配、光谱相关性匹配、多借点光谱混合分析，与此同时，他们提出了光谱信息散度匹配，此匹配技术利用了光谱曲线形状。李国志[16]等人在2010年用ASTER数据做了提取蚀变异常的实验，在这试验过程中对相关系数测定匹配做了详细介绍。由于地物所处的复杂环境、仪器的噪声影响等问题存在，为了使地物分类更有效，因此需对地物光谱进行光谱预处理，以便于更加突出光谱的吸收及反射特征，预处理之后再用相应光谱匹配算法对之进行分类。白继伟[17]等人在2003年提出了具体详细的光谱包络线的方法，并用C++语言做了详细验证。张杰林[14]等人也在2003年介绍了另一种光谱预处理技术--光谱微分技术，这一技术是基于高光谱数据特点提出的。当前的光谱匹配技术可以分为光谱预处理与光谱匹配两个步骤，下文将会对此进行详细介绍，在此不再赘述。 光谱匹配技术的国内外研究现状:http://www.youerw.com/yanjiu/lunwen_10707.html