高光谱图像广泛应用于城市制图、环境管理、作物分析和矿物检测等领域.但是,在处理高分辨率的高光谱图像时,往往很难直接得到较高的分类精度.影响高光谱图像分类结果的主要有两个因素,一是光谱信息的高维性会产生休斯现象,这会显著降低分类精度.另一方面,由于空间分辨率的大幅度提高,分类精度会受到很大的影响.本文通过深入研究高光谱图像的主要特点,提出了一种基于自适应可伸缩核的高光谱图像分类新框架,该框架在去除无关纹理细节和保护关键特征方面具有良好的性能.该方法由三个步骤组成.首先,我们提出了一种基于频带融合的算法对高维的高光谱图像进行降维.经过融合之后得到的图像具有更多的细节信息,例如边缘和结构等,而且还能够把潜在的纹理特征暴露出来,这对我们之后的结构纹理分离步骤也有有很大的促进作用.然后,我们用递归滤波器来对图像进行特征提取,但是在使用递归滤波的过程中,引导图的性能是决定滤波结果的关键因素.为了保证我们得到的引导图在细节以及角落结构具有完整性,我们提出自适应核尺度的概念.传统的引导图是由固定尺度的高斯平滑得到的,这会丢失很多类似角落的小尺度结构.而我们的算法可以很好的弥补这一缺陷,它可以很好的保护小尺度的结构,并且对远离x和y方向的区域进行很好的保护.分类步骤我们采用大间隔分布机对得到的光谱结构特征图进行分类.传统的SVM分类器是对最小间隔进行最大化,但是并没有考虑到间隔分布对分类精度的影响,而大间隔分布机对间隔分布进行优化,可以得到更好的结果.并且我们将二分类的大间隔分布机通过OAO算法将它改进为了一个多分类器.最后,我们在三个数据集上进行了大量的实验,选取了三个评价指标来评估算法的性能.在对比实验方面,我们选取了五种高光谱图像分类算法.结果表明,本文提出的算法在分类精度和计算效率方面均达到了相当高的水平.