随着遥感成像技术的发展,高光谱遥感图像具有很高的光谱分辨率,能够充分反映地物的细微特征,被广泛应用于农业、军事和科学研究。高光谱图像（Hyperspectral Images,HSI）蕴含大量的空间和光谱信息,由数百个甚至数千个连续的光谱波段组成,且波段之间的相关性很高。根据不同地物光谱特征的差异,高光谱图像的精细分类与识别得到广泛的研究。聚类分析是一种有效的数据分析工具,对高光谱图像进行聚类有助于实现地物的监测、勘测和划分。聚类是一种经典的无监督学习方法,它将相似的未标签HSI数据划分为同一类。在传统的聚类算法中,K-means算法和模糊聚类算法因其计算复杂度低而广泛应用于高光谱图像聚类。当HSI数据的分布结构为非凸时,这些算法会陷入局部最优,难以获得良好的聚类性能。而基于图论的聚类算法由于不受数据分布类型的限制,可以对不同类型的数据进行聚类,成为国内外学者的研究热点之一。基于图论的聚类算法需要建立一个与数据分布相适应的图,每个数据点为图的顶点,图的边为两两数据点之间的相似性度量。现有的基于图论的聚类算法可以得到较好的聚类结果,但随着HSI数据的急剧增加,如何获得精度高和计算复杂度低的聚类结果对于高光谱图像的实际应用具有重要意义。基于此,本文分别在传统基于图论的聚类算法和模糊聚类算法下提出了两种算法,具体的研究内容如下:（1）针对传统基于图论的聚类算法计算复杂高的问题,提出基于二叉树锚点的高光谱快速聚类算法（FHC-BTA）。结合高光谱图像的空谱信息,FHC-BTA算法首先利用二叉树方法从原始HSI数据中选取一些数据点,作为锚点。然后,构造基于锚点的无核相似图,避免人为调节高斯核参数。最后,进行谱聚类分析,并获得算法的聚类结果。实验结果表明,与传统的聚类算法相比,FHC-BTA算法能够在较短的时间内获得更佳的聚类精度。（2）针对传统的模糊聚类算法在高光谱图像分类中精度低的问题,提出了基于二部图的高光谱模糊嵌入聚类算法（FECBG）。FECBG算法将基于二部图的非负正则化项与模糊聚类模型相结合,构造统一的模糊聚类模型。首先,构造二部图矩阵来描述了HSI数据和锚点之间的连通性。然后,采用快速谱嵌入算法获得低维表示的谱嵌入数据,实现降低算法的计算复杂度。最后,将基于二部图的非负正则化项添加到模糊聚类中,以约束模糊隶属度矩阵的解空间,从而降低模糊聚类对初始聚类中心的敏感性,并取得了良好的聚类性能。