高光谱遥感图像极高的光谱分辨率能够很好地反映地表地物的不同材质特性,使得高光谱图像比多光谱图像更适合于地物分类,因此得到了越来越多的关注和研究。在高光谱图像分类时,高维度的数据提高了分类器检测和识别各种地物类别的精度,但也存在确定地物类别代价大及训练样本不足、对处理算法的运行时间要求高、大量光谱波段引起如“Huges”现象等问题。采用稀疏表示可以有效解决以上问题。本文从基本的稀疏理论出发,尝试在稀疏表示中引入空间信息,并采用加权均值过滤(Weighted Mean Filter,WMF)结合光谱信息和空间信息。同时,采用主成分分析(Principal Component Analysis,PCA)进行降维。最后采用 MKSOMP 算法进行高光谱图像分类,提出了融合空间和光谱特征的高光谱图像分类框架。主要研究内容如下所述:首先,由于高光谱图像典型的光谱维数高、训练样本少的特征,仅仅利用光谱信息衡量像素之间的相似性对光谱特征进行降维,是不充分的。大量研究已经证实,融合空间信息可以大幅度改善高光谱图像的分类结果。因此,本文通过结合基于空间的加权均值过滤(WMF)方法,将空间特征和光谱特征进行融合,得到新的混合像素。然后,采用PCA对混合像素进行降维,提出了结合空间与光谱信息的WMF-PCA算法,对高光谱图像进行降维,缓解“Huges”现象。其次,由于空间信息对高光谱图像分类结果的重要性,本文采用了可充分利用空间特征的KSOMP算法进行分类。在KSOMP算法中,采用了固定大小的滑动窗口进行分类。因此,对于该算法而言,最优窗口大小的确定是一件耗时的任务,因此,本论文为了避免该难题,采用了多滑动窗口策略,提出了 MKSOMP算法。最后,为了方便高光谱图像的分类、相关参数设置的任务,本文对其所涉及的算法进行了系统设计与实现。在该部分中,模块化的设计思想可以方便有效的对该系统进行扩展,增加系统的灵活性。本文采用了公开数据集Indian Pines进行了实验比对,实验结果表明本文所提出的高光谱分类框架可以有效提高分类准确度。