随着成像光谱技术的发展，高光谱遥感技术在众多领域得到了发展和应用。高光谱遥感技术将传统图像空间维和光谱维融合到一起，具有丰富的地物光谱信息，因而高光谱图像地物分类成了高光谱数据处理的重要内容。现有的高光谱图像分类模型大部分在分类中只考虑了光谱特征信息，忽视了空间信息在分类中的重要作用。本文从提高图像分类精度出发，研究空间特征信息与光谱特征信息相结合的高光谱图像分类算法。主要研究内容如下：首先，阐述了高光谱图像在遥感技术领域的重要作用，分析高光谱图像的成像理论及其数据特点，研究了现有高光谱分类方法，说明了课题研究背景及意义。其次，介绍了高光谱图像数据特征提取方式及分类器的选择。在特征提取阶段，主要讨论光谱特征和空间特征的提取方式。通过仿真实验，分析比较主成分分析、无参数加权特征提取、灰度共生矩阵及小波变换特征提取方式在高光谱图像分类中各自具有的优势和弊端。分类器选择阶段，将支持向量机与传统的监督分类方法相比较，选择分类效果好的最小二乘支持向量机作为本文的高光谱图像分类模型。再次，研究光谱信息与空间信息相结合的高光谱分类方法。研究通过Gabor滤波器组提取空间纹理特征，并利用组合核函数融合图像纹理特征和光谱特征，将新的组合特征用最小二乘支持向量机分类模型分类，提升了图像分类精度。并且针对分类结果中“噪声”像元存在的现象，利用邻域修正的方式进一步改善分类结果，消除“噪声”像元。最后，针对高光谱图像分类模型侧重于单像元的光谱特征、空间特征提取利用，忽视图像相邻像元的空间相关性，分类结果中出现“噪声”像元的现象，提出基于多尺度同质性判定的高光谱图像分类算法。该算法在图像预分类的基础上将图像划分为一系列不重叠的区域，采用区域同质性域判定规则，通过计算邻域内像元同质隶属度，对分类结果再处理，消除“噪声”像元。针对单尺度区域划分不能很好地表达地物类别分布规律的缺点，研究多尺度区域划分方式，有效提升图像分类精度。