高光谱遥感能够以纳米级光谱分辨率对感兴趣区域成像,具有“图谱合一,光谱连续”的特点,能够以较高的光谱诊断能力对目标地物进行亚类级识别与属性分析,大大增强了地物信息的精细化提取能力,在精细农业、环境监测、矿物勘探与军事侦察等诸多领域有着广泛的应用。聚类分析作为一种非监督信息提取方法,是先验信息缺失或训练样本难以获取时地物识别的有效手段,具有非常重要的理论与现实意义。本文系统回顾了高光谱影像聚类分析的研究进展,并在此基础上,总结归纳了目前高光谱聚类中亟待解决的三大难题,主要包括:复杂内部结构和光谱变化的准确建模问题、影像空-谱信息的充分挖掘问题和非线性结构问题。针对上述难题,通过引入计算机视觉、机器学习、信号处理以及数据挖掘等领域的最新理论,结合高光谱影像的自身特点,本文提出了基于自表达学习的高光谱遥感影像子空间聚类理论与方法,旨在解决以上问题,提高聚类精度。并通过大量实验,验证了本文所提算法的有效性。本文主要包含以下研究内容:（1）针对传统聚类方法难以准确建模高光谱影像复杂内部结构和较大光谱变化的问题,本文首次引入计算机视觉领域的稀疏子空间聚类算法解决高光谱影像聚类问题。该算法利用子空间模型有效建模影像内部结构和光谱变化。在此基础上,考虑到传统方法直接在影像域进行空-谱一体化建模难以有效融合差异较大的空间域和光谱域信息,本文提出了空-谱协作稀疏子空间聚类理论与方法。该方法利用自表达学习实现影像特征域的转换,以降低特征之间的差异性,在表达域融入空间信息一体化建模,从而有效融合影像空-谱信息。从像素的角度出发,本文提出了空-谱稀疏子空间聚类算法和2-范数约束的稀疏子空间聚类算法,通过构建空间正则化约束,减少表达偏差、促进系数矩阵的分段平滑性,从而提高聚类精度。从对象的角度出发,本文提出了质心重加权的面向对象稀疏子空间聚类算法,通过对象灵活建模影像形态各异的空间邻域信息,利用质心学习提取对象代表性特征,从而构建对象稀疏子空间聚类模型,进一步提高了聚类精度,并大幅减少了时间成本和内存消耗,提升了算法的实际应用价值。实验结果表明,稀疏子空间聚类方法能够更好地建模高光谱影像,显示出巨大的潜力,本文提出的空-谱协同稀疏子空间聚类方法能够有效提高聚类精度。（2）针对高光谱影像结构非线性问题,本文提出了一种结合空间最大池化操作的核稀疏子空间聚类方法。一方面,通过核函数将高光谱像素从原始特征空间映射到高维核空间,将线性不可分问题近似转化为线性可分问题,有效减小了模型系统误差,提高了自表达学习的精度。另一方面,充分考虑稀疏子空间聚类算法的工作机制,利用空间最大池化操作在表达域融入空间邻域信息为目标像素生成更具判别性的新特征,从而进一步提高聚类精度。实验结果表明该算法在一定程度上能够有效解决高光谱影像结构非线性问题,相比于线性聚类方法,具有明显的优势。（3）针对稀疏聚类方法计算复杂度高、效率低下的问题,本文提出了一种全变差约束的局部自适应字典协同表达聚类方法。首先,引入计算复杂度较低的协同表达模型,探索其在高光谱聚类中的潜力。其次,通过构建局部自适应字典,有效避免了不相似原子对目标像素自表达学习的干扰。然后,通过构建全变差正则化约束在表达域融入空间信息一体化建模,提高特征的判别能力、减少表达偏差、促进系数矩阵的分段平滑性,从而提高聚类精度、保障聚类结果的空间一致性。实验结果表明,协同表达在一定程度上能够高效挖掘高光谱影像潜在的结构信息,本文提出的算法能够取得与稀疏方法可比的聚类精度,是一种十分具有竞争力的高光谱聚类方法。