高光谱图像分类作为高光谱图像处理的主要任务之一,由于训练样本数量较少、数据维度过大等问题,传统的机器学习方法取得的分类效果往往不佳。人工神经网络被广泛认为是机器学习与人工智能领域的关键技术,由于其强大的数据处理及拟合能力,已成功应用在人脸识别、自然语言处理、高光谱图像分类等众多领域。前馈神经网络通常是基于梯度算法来实现,然而,基于梯度的学习方法,在训练过程中,往往会存在训练误差收敛速度慢、训练时间过长、参数计算和存储消耗过大等问题。随机单隐层前馈神经网络克服了以上缺陷。相对于基于梯度的前馈神经网络,随机单隐层前馈神经网络具有更好的学习速度和泛化性能。常见的随机单隐层前馈神经网络有随机向量函数链接、极限学习机、宽度学习系统等。宽度学习系统以其计算高效、泛化性强等特点在日常生活的众多领域中得到了广泛的应用。本文研究内容是面向高光谱图像分类的宽度学习系统改进。在宽度学习系统中,网络泛化能力对隐层节点数量和节点中随机生成的参数十分敏感。当隐层节点的数量很少时,网络的隐层表示能力不足,不能够很好的捕捉到输入数据中的数据特性。随着隐层节点数量的不断增加,隐层的表示能力逐渐提高,但是大量的隐层节点使得网络的消耗增加。在高光谱图像分类中,高光谱数据的高维特性,会使网络在计算和存储方面的消耗进一步增加。而且,在宽度学习系统中网络参数采用随机生成的方式,这种方式通常会导致隐层节点表示能力不佳。本文针对高光谱图像分类过程中宽度学习系统所存在的问题,分别引入局部敏感性判别分析算法和稀疏自编码器来进行改进。本文的主要研究工作如下:第一,针对高光谱图像数据的特殊性,为了获得更好的数据特征表示,提出了一种新的空-谱特征提取方法。在原始的光谱特征的基础上分别利用Gabor滤波器和AWF滤波器提取不同类型的空间特征,利用两种空间信息之间存在的判别互补性,将两种空间特征按照加权连接的方式构成新的特征表示。第二,在宽度学习系统中引入局部敏感性判别分析算法,提出一种BLS-LSDA神经网络模型。针对高光谱图像的高维输入数据和大量的隐层节点数量,引入局部敏感性判别分析算法进行改进。最后,在3个基准数据集上进行对比实验分析,通过实验结果可以验证BLS-LSDA方法的有效性。同时为了进一步对BLS-LSDA网络模型进行分析,对该模型中一些关键参数进行敏感性实验。第三,在宽度学习系统中引入稀疏自编码器,提出一种BLS-SA神经网络模型。利用稀疏自编码器学习到的网络参数来代替随机生成的方式,进而提高隐层的特征表示能力,增强网络的泛化性能。通过三个高光谱图像数据集上的对比实验结果,表明了利用稀疏自编码器学习到的网络参数代替随机生成的方式可以增强隐层的特征表示能力,提高分类效果。