حسگرهای فراطیفی اطلاعات طیفی فراوان را با صدها باند مستمر طیفی را فراهم می کنند و تصویرسازی فراطیفی جمع آوری شده را می تواند برای انجام طبقه بندی بهتر استفاده کرد از طریق تصویرسازی چند طیفی سنتی قابل انجام نیست. در طی چند دهه گذشته، روش های شناخت الگوی بدیع به صورت گسترده برای وظایف پردازش تصویر راه دور استفاده شده اند مانند طبقه بندی نظارتی، طبقه بندی بدون نظارت، استخراج مشخصه، شناسایی هدف و شناسایی تغییر. ماشین های بردار پشتیبانی (SVM)، به عنوان یکی از مرکزهای تحقیقاتیِ یادگیری ماشینی، توجه بیشتری را در تشخیص راه دور به خود جلب کرده است.
SVM دارای مزایایی مانند پیش نیازهای سخت برای دانش قبلی و نمونه های آموزش، تناسب با داده های بُعد بالا و قدرت بیشتر با نویز. اگرچه، اغلب برای یک طبقه بند SVM سنتی سخت است که عملکرد رضایت بخش را در طبقه بندی تصاویر ابرطیفی ارائه کند. مخصوصا، برای تصویر ابر طیفی بُعد بالا با تعداد محدود نمونه های آموزشی، دقت طبقه بندی معمولا به شدت کاهش پیدا می کند که به دلیل پدیده هیوز می باشد. علاوه بر این، تصویرسازی ابرطیفی معمولا از نظر مجموعه های آموزشی نقصان دارد چون مجموعه نمونه معمولا شامل کار میدانی گسترده و زمان بر است.
