高光谱遥感作为遥感领域的前沿技术,在保持较高空间分辨率的同时实现了光谱分辨率的巨大提升,能够识别更加丰富的地物特征。如今,高光谱遥感已经在地质、农业、军事、医疗、水资源管理等方面得到了广泛的应用。然而高光谱图像的高维数据也带来了新的挑战,如何快速准确地从高光谱数据中获取需要的信息并实现高效的分类,仍然是一个有待解决的难题。本文以高光谱图像的内在特征为出发点,研究了基于稀疏低秩表示理论的高光谱图像分类算法,主要研究工作包括以下两点:以稀疏低秩表示模型为基础,本文提出了基于谱一致性约束的核稀疏低秩表示高光谱图像分类方法。首先,所提出方法中的稀疏性和低秩性约束能够同时获取高光谱图像局部和全局的结构信息;其次,所提出方法通过光谱一致性约束加强稀疏约束和低秩约束,使高光谱图像的光谱之间的强相关性得以充分利用;最后,考虑到高光谱数据存在的线性不可分问题,采用核方法将样本投影到高维空间使其线性可分。由于高光谱图像相邻的像素之间通常具有较强相关性,很可能属于同一类地物,因此在模型中加入了高光谱图像的上下文信息对方法进行空间扩展。实验结果表明,提出的分类方法相比一些现有的分类算法取得了更好的分类效果。针对高光谱图像存在的信息冗余和计算复杂度高的问题,本文引入降维的思想,提出了一种基于稀疏低秩嵌入的高光谱图像分类算法。该算法首先将本身无法用于线性降维的稀疏低秩表示与低维子空间学习结合建立了稀疏低秩嵌入模型,然后利用稀疏低秩模型获得的投影矩阵对原始的高光谱图像进行降维处理,获得更具鲁棒性的低维高光谱图像特征,最后在真实高光谱数据上进行实验验证了所提出算法的性能。