光譜學是研究物質與電磁輻射的相互作用隨輻射頻率變化的學科。不同的材料會因其化學和物理特性而吸收或反射這種輻射，從而產生獨特的光譜特征。由于每種材料都有不同的光譜特征，該數據不僅有可能將特定材料與其他材料分開(定性光譜)，而且還可以對分析對象進行定量說明。光譜儀最初是一維點傳感器，但最近的光譜儀已經從點到像素，使光譜成像成為可能，并使我們能夠檢查化學成分、材料或數量差異的空間分布。

高光譜成像，也稱為成像光譜學，在大量光譜帶中同時獲取圖像，因此對于所得圖像的每個像素，都可以導出連續的反射光譜。這些測量的輸出被收集在光譜數據立方體中，并且是數據處理、建模或機器學習算法的輸入。傳統上，高光譜成像只是關于可用于數據分析的光譜帶的數量。然而，如今對高光譜成像儀的要求更多，包括便攜性、靈活性、實時數據訪問和分析以及視頻光譜。這些特征表征了成像光譜學的當前驅動因素。

多光譜成像(左)與高光譜成像(右)的比較。多光譜成像捕獲有限數量的離散波長，而高光譜成像捕獲連續光譜

自20世紀80年代初以來，高光譜成像促成了一系列用于確定各種特征的窄帶指數和光譜特征擬合方法的發展。這些指數允許檢索特定信息，例如活力狀態、葉綠素含量、水分含量、干物質或葉面積指數，僅舉幾個對農業或林業有價值的參數。這些指數中的大多數都是基于對特定問題的研究，因此它們使用了不同波長的整個范圍。然而，高光譜相機可以同時執行多項此類分析，而不是像NDVI那樣專注于一個指標，就像多光譜相機所做的那樣。這種能力可幫助客戶使用同一臺相機執行一系列應用。 如今，機器學習算法可以使用高光譜或多光譜數據集進行訓練。這些算法旨在找出各種材料光譜特征的具體差異。由于高光譜數據集提供了更多的光譜細節，機器學習算法從這些高光譜數據集中受益匪淺。這導致分類器的特異性更高。