Актуальность исследования обусловлена ростом интереса к гиперспектральным изображениям как инструменту неразрушающего контроля строительных материалов и конструкций, а также недостаточной систематизацией современных методов их обработки. Цель работы состоит в системном анализе алгоритмов обработки HSI, выявлении их преимуществ, ограничений и перспектив применения в задачах строительной диагностики. В исследовании рассмотрены особенности гиперспектральных данных, включая высокую размерность, шумы, калибровочные погрешности, атмосферные искажения и дефицит размеченных выборок. Показана эволюция подходов от классических методов машинного обучения и ручного конструирования признаков к глубоким нейронным сетям. Проанализированы методы снижения размерности, классификаторы kNN, байесовские модели, логистическая регрессия, Random Forest, SVM и MLP, а также способы учета спектрально-пространственного контекста. Особое внимание уделено современным архитектурам глубокого обучения: 1D-, 2D- и 3D-CNN, RNN, LSTM/GRU, гибридным CNN–RNN-моделям, трансформерам и CNN–Transformer-схемам. Отдельно рассмотрены transfer learning, semi-supervised learning, self-supervised learning, few-shot learning, meta-learning и domain adaptation как способы преодоления ограниченности разметки. Выполнено сопоставление подходов по требованиям к данным, вычислительной сложности, устойчивости к шумам, способности учитывать спектральные и пространственные зависимости. Показано, что наиболее перспективными для строительной диагностики являются гибридные модели, сочетающие локальные признаки сверток, глобальный контекст внимания и возможность дообучения на малых специализированных выборках. Работа обобщает современное состояние области и формирует основу для выбора методов обнаружения дефектов, оценки влажности, коррозии и деградации строительных конструкций. Сформулированные выводы могут использоваться при проектировании экспериментальных протоколов и выборе архитектур для последующих прикладных исследований в области мониторинга зданий.
