高光谱图像（Hyperspectral Image,HSI）包含从可见光到红外光谱的数百个光谱波段,将每个高光谱像元根据其丰富光谱特征进行分类已经成为遥感领域的一个重要课题,在地质勘查、医疗检测、生命科学、司法鉴别、军事勘察、环境监测、精细农业等领域得到广泛的应用。但是纳米级的谱分辨率造成了严重的谱相关和谱冗余,成百上千波段对于数据的传输、存储和处理带来了巨大挑战。同时,光谱分辨率的提高也引起了“维数灾难”现象,即在有限样本的前提下,较高的特征维度反而会降低分类精度。在现有文献中,HSI分类方法主要被分为基于传统机器学习和基于深度学习的分类方法。前者在理论解释性上具有很大的优越性,且算法的计算消耗小、对训练样本的需求小、模型的抗噪性能较强,在过往的高光谱图像分类任务中具有很重要的地位,但同时传统方法提取到的手工特征使得分类性能受到限制。基于深度学习的HSI分类方法对深层特征的表达能力更好,可以大幅度提高分类器的性能,但是也面临着严峻的挑战,如模型计算量和样本需求大而有标签样本过少、同物异谱及同谱异物现象、高光谱遥感图像的空谱特征不能被有效提取等一系列关键问题。本研究分别从传统机器学习方法与深度学习方法两个方面入手,针对高光谱图像分类任务中现存问题,分别提出了局部判别与全局稀疏保持投影算法和光谱空间偏移图卷积网络用于高光谱图像分类任务。并将两者的分类性能、计算代价等进行横向对比分析,实验结果证明了:传统方法计算量更小,但提取的手工特征限制了分类性能,而深度学习方法的分类性能优良,但有大量需要训练的参数,且计算量较大。本研究的工作为该领域的进一步发展奠定基础。具体来说,本研究的主要研究内容包括以下两个方面:（1）特征提取在HSI传统分类方法中是非常重要的一个步骤。针对传统局部特征提取算法难以确定邻域参数,以及仅考虑数据间的单一结构而漏掉重要信息的问题,提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法（Local Discrimination and Global Sparse Preservation Projection,LDGSPP）。该算法首先对稀疏表示模型施加基于学习的图正则器,用该改进的稀疏表示模型自适应揭示样本数据间的局部线性结构,以取代人工确定邻域参数的方式;然后通过局部判别模型全局集成算法来提取局部线性结构中的判别信息;并利用基于学习图正则稀疏表示模型构建的新型稀疏图来揭示数据间的全局稀疏结构,使得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。通过最近邻分类器和支持向量机分类器对实验结果进行评估,在Indian Pines和Pavia University两个高光谱公共数据集上的实验显示,提出的局部判别与全局稀疏保持投影算法较对比算法取得了最好的性能,由于提取了全局和局部的判别信息,有效提升了高光谱图像的地物分类精度。（2）在高光谱图像分类中,卷积神经网络（Convolutional Neural Networks,CNN）因其表征光谱空间特征的能力而受到越来越多的关注。然而,传统的CNN模型受采样网格的局限,忽略了HSI数据之间的内在联系。近年来,用于非欧几里得空间数据表示的图卷积网络（Graph Convolutional Networks,GCN）已成功地应用于HSI分类。然而,传统的GCN方法因在所有HSI像素之间构建邻接矩阵而需要巨大的计算代价,且忽略了高光谱图像的局部空间上下文信息。针对以上问题,本文提出了一种光谱-空间偏移图卷积网络（Spectral-Spatial Offset Graph Convolutional Networks,SSOGCN）。与传统的GCN模型计算所有像素之间的邻接矩阵不同,SSOGCN仅在空间局部块（Patch）内的像素之间构造邻接矩阵,其中Patch本身包含了丰富的局部空间上下文信息,以降低邻接矩阵的计算成本和内存消耗。此外,图结构中的邻居节点往往包含了大量重要的结构信息,为了强调图结构中的邻居信息,本文提出了一种偏移图卷积模块,以提高分类性能。在Indian Pines和Pavia University两个具有代表性的基准数据集上进行了大量实验,实验结果证明了本文提出的SSOGCN方法比目前先进的方法（State-Of-The-Art,SOTA）具有更多的优势。