高光谱遥感作为一种新型遥感探测技术在环境监测、军事侦察、城市规划等众多领域都有着广泛的应用。与传统多光谱遥感影像相比,高光谱遥感影像能同时获取被观测区域丰富的光谱信息与空间信息,为精确分析地物特性提供了更多的可能。但高光谱影像具有特征维数高、谱间相关性强、数据高度冗余等特点,这也给后续的高光谱影像处理工作带来了新的挑战。高光谱影像分类作为读取、运用遥感信息的基础,一直都是高光谱影像处理的关键技术。如何充分利用丰富的图像信息,不断提高分类精度,来满足日益增长的实际应用需求是目前高光谱分类技术发展的重要方向。近几年,随着压缩感知理论与算法的不断完善,基于稀疏表示的高光谱影像分类方法已得到了广泛的应用,并取得了不错的效果。本文从高光谱影像数据特点出发,针对如何合理利用图像中丰富的光谱信息与空间信息,进一步提高稀疏表示算法在高光谱影像分类中的分类性能做出了一些研究工作,主要研究内容如下:1.提出了一种融合核稀疏和协同表示的高光谱影像分类算法。高光谱影像数据的高维特性、相关性高、数据冗余等特点整体表现为其数据结构的高度非线性。该算法充分地利用了核函数处理非线性数据的优势,将高光谱影像数据映射到高维核特征空间,便于下一步表示分类模型对高光谱影像数据的分类工作;在求解表示系数时,为了增强基原子对测试样本的表达能力,对核稀疏表示系数和核协同表示系数进行加权融合处理,建立融合表示分类模型。在实际的高光谱图像分类实验中表明,该算法能获得更高的分类精度与更强的分类稳定性。2.提出了一种基于区域生长的融合表示高光谱影像分类算法。在现有空谱信息分类的联合稀疏表示模型基础上,该方法在光谱角余弦测度的描述下利用区域生长算法提取测试样本自适应的空间区域信息,避免了联合稀疏表示模型固定邻域窗口带来的局限性;同时将融合表示分类思想延伸到基于空谱信息分类的联合稀疏表示模型中,对稀疏表示矩阵与协同表示矩阵进行加权融合,在融合表示矩阵下进行重构,根据最小重构残差对测试样本分类。实验结果表明,与联合稀疏表示模型相比,该算法能更好的挖掘高光谱影像中的空间相关性,具有更高的分类能力。