高光谱图像分类是其处理及分析过程中的重要研究内容,在环境保护、土地监测及军事侦察等领域得到广泛应用,倍受研究者关注。受高光谱图像标记样本少及“同物异谱,同谱异物”等因素影响,仅利用光谱特征的传统分类模型精度较低。研究发现,刻画像素点与其近邻间关系的空间信息可辅助完成分类任务,围绕同时利用空间信息与光谱信息构造分类模型的研究取得可喜进展,但其利用的简单人工特征表达能力有限且易受高光谱图像中噪声点干扰。稀疏表示及字典学习模型可有效获得像素点的鲁棒表示特征,因此在高光谱图像分类领域受到广泛到关注,但如何有效利用高光谱图像像素点的多特征进行表示学习仍需进一步研究。为此,本文围绕基于多特征的稀疏表示和字典学习展开研究,以提升高光谱图像的分类精度。论文的主要研究工作如下:1.提出了基于自适应稀疏表示的多特征核高光谱图像分类算法(MFK-ASR)。该算法首先提取高光谱图像的多种特征,同时利用分水岭分割算法将图像划分成若干个空间组。通过对每个空间组内所有像素点的多种特征施加自适应稀疏项ladaptive,0并嵌入多特征的系数重构误差,使得每种特征自适应地选择合适的字典原子,从而有效利用空间邻域信息及多特征互补相关信息以提升编码系数的判别性。进一步,运用核方法提出多特征的非线性自适应稀疏表示模型。在拥有较大空间结构及光谱混淆类的Indian Pines图像和空间结构小而复杂的University of Pavia图像上的实验结果表明,该算法有效提升了高光谱图像的分类精度,且对小样本类有很高的分类精度。2.提出了基于空间感知字典学习的多特征核高光谱图像分类算法(MFK-SADL)。该算法采用与MFK-ASR同样的方法,对高光谱图像进行多种特征提取以及空间组划分。通过对每个空间组内所有像素点的多种特征施加联合稀疏约束lrow,0和嵌入多特征的系数重构误差,协同空间邻域信息和多特征信息进行字典学习,并利用核方法提出了多特征的非线性字典学习模型。实验结果表明,该方法对不同场景的图像(Indian Pines和University of Pavia)都有较好的分类效果,尤其对空间结构小而复杂的高光谱图像有显著的分类精度提升。3.提出了基于类子字典学习的多特征核高光谱图像分类算法(MFK-CSDL)。该算法采用与MFK-SADL同样的特征提取和图像分割方法,对高光谱图像进行多特征提取和空间组划分。通过对每类训练样本的多种特征施加联合稀疏约束lrow,0以及嵌入多特征的系数重构误差来有效融合多种特征的互补相关信息,为每类样本的每种特征学习得到有较高判别力的字典。基于预先学习得到的字典,对每个空间组中所有像素点的多特征进行联合稀疏编码,提升编码系数的可区分性。进一步,运用核方法扩展线性模型提出了多特征核类子字典学习模型。该模型仅利用每类训练样本学习对应的子字典,训练阶段运行时间较短。在公开数据集Indian Pines和University of Pavia上的实验结果验证了该算法的有效性。