小波包分解变换优于小波变换的时频局部化能力使得其在信号去噪、滤波、压缩、非平稳机械振动信号的分析与故障诊断、非平稳信号的特征提取与识别等方面具有重要应用。日前，最佳分解层数确定和小波包最佳基选择是小波包分解变换等研究中的几个关键技术（Zhang et al.，1999）。在遥感图像处理领域，小波包分解主要用于遥感图像的融合、压缩、特征提取等。
（1）滤波和去噪
小波包变换在分析信号的中、高频信息方面优于小波变换，因此，小波包能对含有大量中、高频信息的信号，如地震信号等进行更好的滤波和去噪（孙煜等，2005）。滤波方法是用小波包变换可以识别和确定信号所包含的频率成分，从而滤除噪声或不需要的频率成分，保留所需要的信号，达到滤波的目的。去噪是将信号进行小波包变换，将最佳小波包基下的小波包系数进行阈值化处理，然后重构信号以实现去噪。小波包阈值去噪对高信噪比信号比较有效。
（2）特征提取
提取是模式识别和分类中的核心问题。对识别和分类来说，关键在于提取模式中有效的分类特征。特征提取就是通过变换的方法，使这些重要特征在变换域中显示出来去掉对分类无意义的信息。一般被识别或分类的模式都是非平稳或突变的信号模式，如语音、雷达和地震信号等，在这些信号中，通常包含长时低频和短时高频的不同尺度的信号，用于分类的特征往往包含在局部的时频信号中，因而小波包变换分解在特征提取中具有很好的应用潜力。如沈申生等（2005）利用小波包变换对电机振动信号进行5层小波包分解，在所得小波包分解树形的所有的小波包节点上提取能量特征值，构成32维的能量特征向量，在此基础上进行电机故障诊断。
一般应用中对提取的能量特征参量，或采用二叉树方法，或采用BP（Back Propaga－tion）神经网络方法进行分类或目标提取。显然，前者需要确定恰当的阈值，而后者需要进行大量的运算。由于本章所用高光谱影像的像元灰度值为辐亮度值，数值较大，即使进行小波包完全分解（分解到第8层），虽然高频部分的能量特征值会比较小，但低频部分能量特征值仍然很大。即便是对能量特征值进行了归一化处理，也很难选择到适当的分类识别方法：如果采用二叉树分类方法，不同的频段须选用不同的阈值，阈值的确定很难把握，而阈值的大小又直接影响到分类和目标识别结果，难以保证分类和目标识别的精度；若采用神经网络分类法，由于所采用数据是高光谱数据，波段数多，进行小波包变换运算的速度已经不容乐观，再结合上运算量也大的神经网络，运算速度会更慢，不会是一个好的分类和目标识别方法。