چکیده: چکیده تصویربرداری ابرطیفی روشی برای ثبت امواج بازتابی از اشیاء در باندهای فرکانسی باریک است که در زمینه‌های پزشکی، معدن و کشاورزی کاربرد دارد. این تصاویر در بازه ۴۰۰ تا ۲۵۰۰ نانومتر ثبت شده و امکان شناسایی امضای طیفی منحصربه‌فرد اشیاء را فراهم می‌کنند. یکی از کاربردهای تصویربرداری ابرطیفی در مسائل سنجش از دور است که به وسیله آن می‌توان پوشش‌های مختلف روی زمین را شناسایی و طبقه‌بندی کرد. تغییرات شرایط تصویربرداری و تفاوت سنسورهای ابرطیفی موجب می‌شود مدلی که با یک تصویر ابرطیفی آموزش دیده است، در شناسایی همان کلاس‌ها در تصویر جدید ضعیف عمل کند. این پدیده که به آن شیفت دامنه گفته می‌شود، با توجه به مشکل و زمان‌بر بودن فرایند برچسب‌زنی به تصاویر ابرطیفی، چالشی مهم در طبقه‌بندی این تصاویر ایجاد می‌کند. همچنین وجود نمونه‌های ناشناخته در دنیای واقعی چالش دیگری است که باید حل شود. در این تحقیق نشان داده می‌شود که این دو مسئله به‌هم‌پیوسته هستند و عدم توجه به یکی از آن‌ها مشکل دیگر را نیز تشدید می‌کند. این رساله روشی مبتنی بر یادگیری عمیق برای حل همزمان این دو مسئله ارائه می‌دهد که طی سه رویکرد توسعه می‌یابد: ۱) تشخیص همزمان ناشناخته‌ها با تطبیق دامنه در تصاویر همگن، 2) تعمیم روش تطبیق دامنه برای تصاویر ناهمگن، و 3) حل همزمان تطبیق دامنه و شناسایی نمونه‌های ناشناخته در تصاویر ناهمگن. روش پیشنهادی بر روی پایگاه‌های داده همگن Salinas، Botswana، RPaviaU-RPaviaC و نیز پایگاه‌های داده ناهمگن RPaviaU-DPaviaC و Ehangzhou-RPaviaHR آزمایش گردید. در رویکرد اول، صحت بدست آمده برای تصویر هدف در پایگاه‌های داده Botswana، RPaviaU-RpaviaC و Salinas به ترتیب ۹۱.۵، 62.5 و ۸۱.۴ درصد بوده است. در رویکرد دوم، برای پایگاه داده RPaviaU-DPaviaC صحت 90.16 درصد و برای پایگاه داده Ehangzhou-RPaviaHR صحت 99.12 درصد بدست آمده است. در رویکرد سوم، برای پایگاه داده RPaviaU-DPaviaC در حضور نمونه‌های ناشناخته‌ و فقدان قابلیت شناسایی آن‌ها در شبکه صحت 70.58 درصد بوده و با افزودن قابلیت شناسایی ناشناخته‌ها به 73.17 درصد افزایش یافته است. همچنین برای پایگاه داده Ehangzhou-RPaviaHR در حضور نمونه‌های ناشناخته‌ و عدم قابلیت شناسایی آن‌ها صحت 80.97 درصد بوده و با افزودن توانایی شناسایی آن‌ها به شبکه به 91.95 درصد افزایش یافته است.