近年来,随着成像光谱仪技术的迅猛发展,高光谱遥感图像逐渐成为研究的热点。高光谱图像包含数百个连续波段,丰富的光谱信息,已被广泛应用于多个领域,如矿物开采,环境监测和科学农业。然而,高光谱图像持有波段数多,波段间相关性强的特点,使得高光谱图像的分类面临重重困难。使用更少的标记样本获得较好的分类效果已得到越来越多研究者的关注。本文总结了近些年高光谱图像处理的国内外发展现状,介绍了在高光谱图像分类中经典的主动学习算法、聚类算法、以及协同式主动和半监督学习框架。同时我们发现协同式主动和半监督学习能充分利用可获得的数据并得到较好的分类结果。但是错误的伪标签被引入训练过程会导致学习框架的分类器性能下降。为了解决以上问题,本文将二级筛选模式分别引入单重和双重的协同式主动和半监督学习框架中。由此提出两个新颖的框架。第一个是二级筛选模式的半监督协同框架(SSA-SCF)。第二个是二级筛选模式的双重校验半监督协同框架(SSA-DVSCF)。这两种算法能挑选出具有代表性和多样性的未标记样本,避免引入错误的伪标签。本文运用总体分类精度,平均分类精度,Kappa系数和算法运行时间等指标对实验结果进行评估。在实验中发现以上提出的校验半监督学习框架都会消耗较多的运行时间,为了解决这个问题,本文提出了学习景观特征的半监督协同框架(LLFSCF)。它结合M-training算法和加权谱空间的高光谱图像半监督分类算法(WSS-DSVM),并且学习实时的景观特征。在这个新的框架中,首先运用基于简单线性迭代聚类(SLIC)的非局部超像素分割算法来初步观察景观空间构成。然后,应用WSS-DSVM算法获得初始分类图。为了更好地描述高光谱图像的复杂场景,将景观多样性和可分性从初始分类图中量化,从而实现了对象的空间细节和结构信息的可用性。最后,将一些精度较低的斑块喂入M-training算法中进一步分类。为了实现无偏差评估,LLFSCF在两种不同场景的高光谱数据集上进行实验,并将其结果与三种先进的高光谱图像分类方法进行了比较。实验结果验证了LLFSCF的有效性。在运用双重二级筛选模式时,我们发现熵值装袋算法具有局部过采样复杂区域的倾向,从而忽略了位于种类较少的不确定区域内的相关样本,导致算法收敛缓慢。因此,本文提出了均值正则化熵值装袋查询算法(averaged normalized Entropy Query-by-Bagging,an EQB)。分别使用SVM分类器和GBDT分类器来验证其算法的优越性。然后,将an EQB算法,MCLU算法和n EQB算法相结合,形成多策略融合且多重校验的半监督框架(MF-MVSF)。该框架通过不同的主动学习算法所选择的未标记数据挖掘出更多的结构化信息,利用少量的初始标记样本在算法初始阶段获得有效且有差异的分类器。实验证明,该算法能有效提高分类效果,降低标记成本,消除阈值设置不当导致的算法过早收敛的现象。