随着遥感技术的飞速发展,其已逐渐成为各个应用行业中不可或缺的一种数据获取手段,其中高光谱遥感也是继多光谱遥感之后的一个延伸,是近年来研究重点之一。高光谱遥感影像能够表示地表空间特征同时,还具备地物的精细光谱、几乎连续的地物光谱曲线和海量数据,诸多特点使其更具应用潜力。高光谱遥感影像众多优势同时带来了对高光谱遥感影像处理的技术挑战,如高光谱遥感图像的海量数据及多维性增加了数据处理的复杂度、“同物异谱、同谱异物”以及“混合像元”等现象的普遍存在易导致错分问题等。针对多维数据特点和像元难分辨问题构建具有高鲁棒性和高精度的分类模型是目前高光谱遥感影像分类领域亟待解决的重要技术问题。空间特征是影像分类中重要的影响因素,以多尺度的空间特征增强分类结果的鲁棒性,再结合目前几种最为常用且分类效果较好的分类器对影像进行不同空间尺度的分类,以最大投票法的决策融合方式票选出获取最多票数的一类作为最优的分类结果,以提高影像分类精度。在此理论基础上,本文提出了多尺度分类器集成决策融合的高光谱遥感影像分类方法。并通过AVIRIS高光谱遥感影像检验了本文方法的有效性和鲁棒性。本文以常用分类器性能研究、空间尺度最优化问题、决策融合三部分展开研究。首先研究支持向量机、稀疏多项式逻辑回归、极限学习机、核极限学习机四种分类器的基本原理及其优劣势。其次通过加权均值滤波的滤波窗口取值,以上述四种分类器分别求取在三种不同训练样本下最优窗口尺度,并获取最优窗口尺度对应的总体分类精度峰值,探究空间尺度大小与总体分类精度的联系。然后引入最大投票法作为决策融合算法,对多分类器多尺度窗口分类结果集合中的元素进行投票,以得票最多的一类视为最终分类结果,即“少数服从多数”,依次遍历每个像元得出决策融合后的分类结果,比较分析决策融合与常规分类方法的分类结果的差异。最终据实验结果可知,本文方法在三种不同训练样本下相对于其他几种常规方法在总体分类精度上皆有一定程度的提升。因此,本文方法具有一定有效性和鲁棒性。