Die Merkmalsextraktion gilt als wirksame Methode, um sowohl die rechnerische Komplexität als auch die Genauigkeit der Klassifizierung hyperspektraler Bilder zu verbessern. In diesem Artikel wird ein einfacher, jedoch äußerst leistungsfähiger Ansatz zur Merkmalsextraktion vorgestellt, der auf Bildfusion und rekursiver Filterung (IFRF, Image Fusion and Recursive Filtering) basiert. Zunächst wird das hyperspektrale Bild in mehrere Teilmengen benachbarter hyperspektraler Bänder aufgeteilt. Anschließend werden die Bänder innerhalb jeder Teilmenge durch Mittelwertbildung zusammengeführt, was eine der einfachsten Methoden der Bildfusion darstellt. Schließlich werden die gefussten Bänder mittels rekursiver Filterung im Transformationsbereich verarbeitet, um die finalen Merkmale für die Klassifikation zu erzeugen. Experimente wurden auf verschiedenen hyperspektralen Bildern durchgeführt, wobei Support-Vektor-Maschinen (SVMs) als Klassifikatoren verwendet wurden. Durch die Anwendung des vorgeschlagenen Ansatzes lässt sich die Klassifizierungsgenauigkeit des SVM-Klassifikators erheblich steigern. Zudem zeigt die IFRF-Methode im Vergleich zu anderen Methoden der hyperspektralen Klassifizierung herausragende Leistung sowohl hinsichtlich der Klassifizierungsgenauigkeit als auch der rechnerischen Effizienz.