随着人们在光电学领域的深入研究,人们对电磁波谱的探索已不再局限于可见光与近红外中的少数波段,高光谱影像（Hyperspectral Image,HSI）逐渐进入科学视野,凭借着对空间结构与光谱信息的有效整合,高光谱遥感已广泛应用于国民经济的各个方面。尽管高光谱影像所携带的数百个谱带为准确的地物识别带来了可能,然而,高光谱影像的高维性质和样本标签的采集难度,使得地物的高精度分类面临挑战。因此,基于对象的高光谱影像分类方法迎来机遇并成为主流,探索新的基于对象的高光谱影像分类方法,同时提升算法的运行效率与小样本条件下的分类精度,将会对高光谱影像的解译产生深远意义。为了解决上述问题,在已有的工作基础上,本文分别从传统机器学习的角度和深度学习的角度,提出两种十分有效的光谱-空间分类方法,不仅适用于高光谱影像的分类研究,在高分辨率的多光谱影像上亦可获得令人满意的分类结果。（1）提出了一种有效的光谱-空间高光谱影像分类方法MSKNN（Merged Superpixels based KNN）,该方法使用合并的超像素。对于过度分割的超像素映射,空间相邻的超像素通过作用于加权超像素图的局部模块化不断合并（超像素作为节点而不是像素）。随后,提出了一种简单但有效的转换方法,将超像素映射到新样本。最后,使用机器学习中流行的K近邻（K-Nearest Neighbor,KNN）分类算法进行分类。（2）提出了一种基于稀疏的超像素图（Sparse Superpixel Graph,SSG）的光谱-空间高光谱影像分类方法SSG~2CN。在构造的稀疏超像素图中,每个顶点代表一个超像素而不是一个像素,这大大减小了图的大小。同时,利用合并的超像素、局部空间连接和全局光谱连接,考虑了光谱信息和空间结构。最后,利用可应用于不规则（或非网格）数据表示与分析的图卷积网络（Graph Convolutional Networks,GCNs）进行分类。为了分别说明所提出的方法在高光谱影像和多光谱影像上的有效性,我们在来自不同传感器的三个公开的基准高光谱数据集Indian Pines、Pavia University和Salinas以及由武汉大学RSIDEA研究组收集和共享的WHU-Hi-Han Chuan数据集和WHU-Hi-Hong Hu数据集上进行了广泛的实验,并选用高分影像数据集（Gaofen Image Dataset,GID）对所提出的分类方法进行精度验证。实验和比较结果均表明,所提出的算法不仅能够对训练标签有限的高光谱影像进行有效分类,并且在高分辨率的多光谱影像上具有可实践的应用意义。