在过去的30年里，高光谱遥感技术取得了显著的进步，尤其是空间分辨率和光谱分辨率的日益提高，极大地促进了高光谱遥感在许多领域的应用，如军事侦察、环境监测、土地调查、精细农业。其中，高光谱图像分类是高光谱遥感最重要的应用之一，是许多实际应用的基础。空间分辨率和光谱分辨率的不断提高，一方面为分类提供了更多的区分信息，有利于对感兴趣地物的精细分类，另一方面也给分类带来了巨大的挑战：高维小样本难题和局部空域变化问题。如何有效地利用高光谱图像中包含的丰富的光谱信息和空间信息，提高高维小样本和局部空域变化条件下的分类性能，是目前的研究热点之一。　　本文针对传统的基于像素的高光谱图像分类方法仅仅利用光谱特征，而未能充分利用嵌入在图像中的空间信息，以及现有的结合空间信息和光谱信息的高光谱图像分类方法未能充分考虑高光谱图像中存在的空域变化的问题，研究了利用组稀疏编码结合空间信息和光谱信息，以及处理空域变化问题。本论文的主要工作如下：　　1)针对高光谱图像中存在的空域变化问题，提出了利用空域近邻和组稀疏编码的空谱联合分类方法。其中，定义组为空域N×N窗口内的近邻像素，利用组稀疏编码以组的方式对高光谱图像中的像素进行稀疏编码，从而获得对空域变化鲁棒的数据表示，并将其用作输入特征，分类高光谱图像。实验结果表明，提出的空谱联合分类模型可以有效地提高高维小样本和空域变化条件下的高光谱图像分类性能。　　2)针对使用空域N×N窗口内的近邻像素作为组，不能很好地保持边缘信息的问题，提出了基于图像过分割和组稀疏的空谱联合分类方法。其中，定义组为过分割图像的分块，并在学习稀疏表示系数的同时学习字典以更好地拟合高光谱数据的内在结构。实验结果表明，本方法可以进一步提高高光谱图像分类的准确性和分类结果的区域一致性。　　3)受到核技巧可以捕获数据非线性的可分性的启发，通过扩展组稀疏编码算法到核空间提出了核组稀疏编码算法，并将其引入到提出的两种空谱联合分类模型中。实验结果表明，核策略的引入进一步提高了高光谱图像分类的准确度。　　本文的工作得到了国家自然科学基金（61272282），陕西省自然科学基金（2011JQ8020）和中央高校基础科研业务费（K50511020011）等项目的资助。