近年来,高光谱遥感技术的快速发展使得其在越来越多的领域得到应用,而高光谱图像分类是其中一个重要的分支。对高光谱图像进行有效的分类有利于地物信息分析,这一技术在农业、军事、地质等领域都有着广阔的应用前景,但机理复杂、数据量大等缺点也制约着高光谱图像分类技术的发展。高光谱图像的分类过程存在较多的困难:光谱特征具有非线性特征;相邻波段间具有相关性;训练过程中需要大量的标注的数据来进行训练,当具有标签的训练样本较少时,一些较复杂的网络模型容易出现过拟合现象。高光谱图像通常具有局部平滑的特性,也就是局部相邻区域的地物属于同一类别,因此利用空间信息可以有效提高地物分类精度。本文提出了三种方法,以提高高光谱图像的地物分类精度。本文的主要内容:（1）提出了一种基于多滤波融合的高光谱图像分类方法。该方法的基本思想是首先提取波段子集中相关性较强波段的主成分,更好地保存影像结构信息;接着通过中值滤波对高光谱图像进行滤波,消除椒盐噪声,使图像更加平滑;接着通过SVM对高光谱图像进行初始分类并构造初始概率图;接着通过PCA对图像进行降维,从而获得灰度引导图;然后通过引导图和边缘保留滤波器对概率图进行滤波;最后,通过概率图的最大概率对图像进行分类并分析了这一方法的优点与缺点。（2）提出了一种基于协同深度随机森林的高光谱图像分类方法。该方法的基本思想是首先将测试样本邻域内的像素点纳入训练集并标注为同一类别;接着通过k折交叉验证进行k次基于随机森林模型和SVM的协同训练与验证,得到概率向量并作为新的特征传入下一层,以此类推,可以增加下一层输入特征的多样性;最后通过最后一层的概率向量得到分类结果。（3）提出了一种自监督的高光谱图像图像的核分割方法。该方法的基本思想是首先建立一个尺度敏感网络,它专门训练鉴别特征以进行正确的尺度分类;接着使用完全卷积特征提取器来预测注意图,特征提取器由多层卷积操作组成,内核的扩张逐渐增加,以便包含来自每个像素周围一个大邻域的信息;最后通过尺度分类网络生成模型并进行分类。