高光谱遥感技术的出现为传统遥感技术带来了新的机遇与挑战。高光谱遥感影像维数高,数据量大,可获取的标记样本数量有限,传统的遥感影像处理方法对其失去了效用。针对高光谱遥感影像分类中标记样本不足的问题,引入了机器学习中的主动学习方法。主动学习通过主动对未标记的样本进行选择并进行标记扩大原有的标记样本集,并使用扩大的样本集更新分类器,这个过程反复迭代直到满足迭代停止条件或者未标记样本集为空,因此使得分类器在标记样本数量不足地情况下提高分类精度。本文将主动学习的思想结合支持向量机方法引入高光谱遥感影像的分类中。在现有主动学习分类模型的基础上,通过系统的研究主动学习方法和高光谱遥感影像的特点,针对利用主动学习方法进行高光谱遥感影像分类中的两个问题,即分类精度和采样代价,分别提出适合高光谱遥感影像分类的模型,并对结合后的模型进行了分类性能分析。论文的主要内容及结论如下:(1)鉴于传统的高光谱遥感影像分类方法中采样过程中样本的选择标准比较单一,造成容易错失信息含量丰富的样本的现象,提出了使用多样性采样准则对样本信息进行衡量。在多样性准则基础上再使用最小期望误差准则来挑选期望误差较小的样本,最大限度地提高分类结果的精度。通过高光谱遥感影像对所提出的算法进行实验,其结果表明该主动学习采样方法进行高光谱影像分类能有效的提高分类结果的精度,且能在样本较少的情况下达到稳定分类的效果。(2)鉴于高光谱影像数据量大,未标记样本量较多,使用传统的主动学习进行分类时,会出现采样代价过大的现象,提出了基于角度LSH的采样方法对高光谱影像进行分类。使用角度代替距离对样本类别进行衡量,并且将计算后的角度映射到对角度敏感的Hash堆栈中,以最大限度的减少学习过程中的采样代价。通过高光谱影像分类实验,其结果表明该采样方法能有效的减少采样过程的采样代价,能应用于数据量较大的高光谱遥感影像分类中。