高光谱遥感是当今地球科学与遥感领域重要的组成部分。高光谱成像技术可同时获得地物空间信息和精细光谱信息,具有光谱连续、图谱合一等特性,能够以较高的光谱诊断能力实现对地物精细化解译,使高光谱遥感影像在生态学、水文学、地质学、精细农业和军事领域中得到广泛应用。如何充分利用高光谱遥感影像中蕴含的丰富的空间和光谱信息,进行地物的精细化解译始终是高光谱遥感领域的研究热点和前沿问题。目前,稀疏表示作为一种新型数据挖掘技术,能有效地提取高光谱遥感影像中的地物信息,已经广泛地应用到高光谱遥感影像分类研究中。然而,基于单一特征的稀疏表示方法不能充分挖掘高光谱遥感影像中蕴含的丰富稀疏特性,且不同的特征通常蕴含各自的非线性结构信息,充分挖掘非线性结构信息有助于增强地物可分离性。此外,由标注像元直接构建的字典集,通常是不完备。因此,本论文结合高光谱遥感影像自身特点,在对高光谱遥感影像稀疏表示方法进行系统分析和完善的基础上,按照对稀疏特性不同层级的理解并从特征多样性、模型多样性和字典完备性等角度出发,构建了高光谱遥感影像稀疏表示与字典学习分类框架,提出了多特征核稀疏表示学习、多核自适应协同表示学习和空间加权在线字典学习等算法。选取5种典型的国际通用高光谱数据集对相关算法进行全面分析评价。论文主要研究结论和创新点:1)揭示了高光谱遥感影像不同特征通道下蕴含的稀疏判别特性,提出特征多样性的稀疏表示学习方法,实现多源异质特征融合的稀疏表示。组合不同类型的空-谱特征(如光谱、纹理和形状)可以从多个角度描述高光谱遥感影像,是实现高光谱遥感分类性能提升的重要途径。将每种空-谱特征视作一种学习任务,多特征学习方法已经广泛地嵌入到稀疏多任务学习模型中,以获取判别性能强的多特征稀疏表示系数。然而,线性稀疏表示模型并不能有效地应对高度非线性分布的高光谱遥感影像。通过采用非线性映射,将影像从原始特征空间映射到核诱导特征空间,在核诱导特征空间的样本通常是高维甚至是无限维度的。因而,将核主成分分析方法集成到基于多特征的稀疏多任务学习模型中,可将每种空-谱特征在核诱导低维子空间中有效组合在一起,构建多特征核稀疏表示算法,实现特征多样性的稀疏表示学习。试验结果表明特征多样性的稀疏表示学习方法能有效地捕获高光谱遥感影像中各种空-谱特征蕴含的稀疏特性,在核诱导空间增加降维操作可有效地提升稀疏优化效率。2)提出了利用多核学习捕获高光谱遥感影像中蕴含的非线性结构信息的模型多样性的稀疏表示学习方法,解决了多种异构核模型融合的问题。将多核学习方法嵌入到协同表示模型中,设计多核自适应协同表示算法,能够有效地挖掘空-谱特征中各种类型的非线性结构信息。利用不同的核组合模式(如朴素组合、多度量组合和多尺度组合)分别从不同的样本分布、核度量空间和核尺度挖掘有用非线性结构信息。考虑在协同表示过程中字典原子贡献程度的不同,利用不相似加权正则化项将自适应表示策略引入到多核协同表示框架,可以在融合核特征空间构建更健壮的表示过程。试验结果表明模型多样性的稀疏表示学习方法能有效地挖掘高光谱数据中蕴含的各种类型非线性结构信息,相比于典型稀疏表示方法能取得较大分类性能的提升。3)采用空间自适应的联合稀疏表示模式构建语义稀疏字典学习方法,借助传统监督分类方法,实现了基于判别稀疏编码特征的高光谱遥感影像稀疏分类。利用从标注字典集学习得到的稀疏编码系数,传统表示学习方法采用最小残差准则判定地物类别。当影像尺寸较大时,通过直接堆列训练样本构建字典通常不足以稀疏地表示全部高光谱数据。此外,空间毗邻的像元一般具有相似的光谱特性,融合空间近邻信息有助于分类效果的提升。针对上述问题,通过融入局部语义窗口自适应联合稀疏表示的字典学习框架获取完备的字典集,提出空间加权字典学习方法。利用在线学习方法从整幅高光谱遥感影像中学习最优字典集,该字典集通常是完备的且可以获得较强判别性能的稀疏编码特征。不同于传统的基于残差准则的方法,本算法利用线性SVM方法对基于最优字典的稀疏判别特征进行分类。试验结果表明,语义稀疏字典学习算法性能优于其它典型的分类方法。相较于特征多样性稀疏表示学习和模型多样性稀疏表示学习算法,语义稀疏字典学习算法能够同时兼顾分类精度和可视效果。对Pavia University数据的分类精度能达到96.26%(每类60标注样本),满足高光谱遥感解译的应用需求。本文针对多层级稀疏特征理解与表达问题,从属性、模型和字典更新等方面逐层级展开研究,对高光谱遥感影像稀疏表示与字典学习的相关理论方法和技术难点展开了系统的探讨,为高光谱遥感影像稀疏分类问题提供了一个系统的解决思路。