相关性向量机（RVM）是一种机器学习技术，它使用贝叶斯推理来获取回归和概率的简约解。 与支持向量机（SVM）相比，RVM的贝叶斯公式避免了SVM的自由参数集。 然而，当应用于高光谱数据时，RVM的分类精度不高。 提出了一种基于RVM的分类方法。 该方法结合了主成分分析（PCA）和线性判别分析（LDA）以减少高光谱数据的维数。 首先，将PCA用于一维降维，并获得非奇异的类内散布矩阵。 其次，将LDA应用于第二维降维，大大减少了计算量。 最后，将相关向量机模型应用于遥感图像分类。 本文使用了1992