光学识别作为解决物证识别难题的一种重要技术手段,其无损检验的特性相较于其他化学检测方法有着很大优势。但传统的光学成像技术对实验环境有一定要求,且获取到的数据量较小限制了物证识别的效果。高光谱成像则有别于其他光学成像,采用这种技术获取到的高光谱图像数据量丰富且“图谱合一”,同时随着科学技术的发展其空间分辨率也在逐步提高,不再局限于应用在卫星遥感领域,也开始应用于其他领域。为了避免传统的高光谱图像由于空间分辨率过低无法实现精准分类的问题,本文选用液晶可调谐滤光片成像设备采集到高空间分辨率的高光谱图像,并从非监督学习和半监督学习两个方面探究了物证识别的问题,提出了充分结合空间、光谱信息的自适应高光谱图像聚类算法,以达到更好的识别效果。高光谱图像聚类算法如K-Means、ISODATA等过于依赖给定阈值等参数,使得它们在物证识别问题上性能不够理想,因此本文结合MAP-ML模型以及贝叶斯信息准则,利用高空间分辨率的高光谱图像像素间空间约束性强的优势,以非监督学习的方式提出了一种有机结合空间、光谱信息的自适应高光谱图像聚类算法。物证识别实验结果表明,本文提出的基于空间-光谱信息的自适应高光谱图像聚类算法不仅能够自动实现最优类别数目的选择,还具有比K-Means、ISODATA算法高的聚类精度,并展现出了较好的稳定性。针对实际物证识别应用中可得到的标记样本数目有限的情况,为了最大限度地使用这些有标记的样本数据,本文基于半监督学习提出了一种高光谱图像的分类方法,以提高物证识别的准确率。实验表明,基于半监督学习的高光谱图像分类方法由于添加了先验知识,其分类性能高于本文提出的非监督聚类算法,得到了较好的物证识别结果。