高光谱成像技术可以获取“连续波段”、“波段数众多”和“纳米级光谱分辨率”的图谱合一立体数据,其具有丰富的图谱信息且能以高分辨光谱分辨率区分出不同的物质类别,广泛应用于对地观测、地物覆盖分析、资源探测、环境监测和智慧农业等领域。高光谱遥感图像智能分析主要包括融合、解混、目标检测、特征提取与分类识别等关键技术。如何充分利用高光谱数据蕴含的丰富空间和光谱信息实现地物的高精度精细化分类是高光谱遥感图像处理的研究热点。传统的机器学习方法已广泛地用于高光谱图像分类,但分类精度仍有较大提升空间。然而,高光谱图像“维数高”容易导致“霍夫效应”、“信息高度冗余”导致高效非线性特征提取困难;同时地物分布“非均衡性”、空间分辨率不足导致的“同谱异物、同物异谱”等问题给地物的精准识别增加了难度;此外,地物对象标记样本的获取非常困难,且需要花费大量的人力、物力和时间成本。针对上述问题,本文在深入分析和总结高光谱图像监督分类和无监督分类（聚类）研究现状的基础之上,以空谱联合表示学习为主要学术思想,充分挖掘高光谱数据内在相关性,研究了少样本监督分类方法和低秩子空间表示学习框架下无监督分类（聚类）方法。本学位论文的主要工作和研究成果如下:（1）提出了一种联合核稀疏多元逻辑回归和TV-L1优化方法。传统的高光谱图像两阶段分类算法直接采用L2范数对初分类概率图进行度量,没有对分类误差的特性进一步分析,最终使得分类效果有待进一步提高。本文首先利用核稀疏多元逻辑回归方法挖掘高光谱数据光谱信息的分类特性,得到初分类概率图;然后采用L1范数度量分类误差的尖峰和重尾特性,利用TV正则化刻画分类概率图的空间邻域马尔可夫性,建立了TV-L1的优化模型,该模型可通过交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）快速求解。实验表明,本文方法有效结合了高光谱图像的空谱结构信息和邻域马尔可夫性,可以有效剔除因训练样本不足带来的分类错误,提高了少量样本下的监督分类精度。（2）提出了一个空谱联合双重加权的高光谱图像低秩子空间聚类算法。针对无任何标签信息的高光谱遥感图像分类（聚类）问题,本文提出一个空谱联合双重加权的高光谱图像低秩子空间聚类算法。该算法基于高光谱图像中同一地物的像元分布在同一独立子空间的假设,利用低秩表示刻画高光谱数据的子空间结构,得到低秩表示矩阵。其次,考虑到低秩表示只能刻画数据的全局结构,采用对低秩表示系数光谱加权的方式使得每个像元都可以由其子空间最相关的高光谱像元表示。最后,通过空间域双边加权的方式来增强相邻像元间表示系数的空间平滑性。实验结果表明,与传统的低秩子空间聚类算法相比,所提出的聚类算法显著地提高了高光谱图像聚类精度。（3）提出了一种基于超图正则化的高光谱图像低秩子空间聚类算法。最优化低秩子空间自表示模型得到的表示特征挖掘了数据的全局信息,然而却忽略了数据的局部近邻信息。受流形学习思想的启发,图正则化的低秩子空间聚类同时利用低秩约束的全局性和图模型的局部性挖掘数据的本征结构,然而,普通图的构造仅仅包含了两个像元间的关系,缺乏对多个像元更复杂的高阶关系的探索。针对这一问题,本文在超图正则化理论的基础上,通过超像素分割使得空间上同质的像元被划分到同一空间区域,然后再根据超像素构造空谱联合超图的超边以及计算超边的权重。本文提出的超图构造方式和固定空间窗口内取近邻的空谱联合超图构造方式相比,有效地利用了任意形状的同质空间区域结构信息,且同时挖掘数据复杂的高阶光谱相似性关系。通过将上述超图正则化和低秩表示融合,联合优化学习更鲁棒的表示特征构建相似性矩阵,进而得到更好的聚类结果。在真实高光谱数据集上的实验结果验证了该方法的有效性。（4）提出了一种基于动态超图的高光谱图像低秩子空间聚类统一算法。现有的基于非动态优化超图正则化的方法中超图一般由原始数据通过固定的距离度量预构造的,因此限制了超图正则化在子空间表示学习中的作用。为解决这一问题,本文提出一种基于动态超图的低秩子空间聚类算法,其中,超图通过子空间特征动态学习更新,同时又用于约束子空间特征的局部结构信息保持。此外,现有的聚类算法一般分两步完成:先学习表示特征;利用表示特征构建相似性矩阵,然后通过谱聚类或K-means得到聚类结果。然而,K-means算法对聚类中心的初始化非常敏感,使得聚类结果很不稳定。本文通过引入一个旋转矩阵构造了一个同时学习动态超图和离散聚类标签的统一优化模型,其中子空间特征和超图可以根据聚类结果自适应更新,模型具有很好的自学习能力且聚类结果稳定。实验结果表明该方法在高光谱图像聚类中达到了最好的综合性能。