随着高光谱遥感成像的发展,高光谱遥感处理问题逐渐变为遥感方面的研究热点,而高光谱影像分类是高光谱遥感处理中最重要的内容之一。相比于一般的遥感影像,高光谱影像含有更加丰富的可用于分类的信息,但是同时也造成了信息过量的问题。当缺乏足够多的训练样本去训练分类器时,分类精度往往会随着高光谱数据维数增加而出现先升高后降低的现象。高光谱影像的光谱维度高、训练样本难标记等特点给分类带来了很大的挑战。因而如何结合空谱信息,且在小样本的前提下,提高分类精度,是当前的研究热点之一。为了解决高光谱影像分类中如何有效利用空间信息以及训练样本难标记的问题,本文提出了几种基于扩展形态学与主动学习的分类方法。主要工作如下:(1)提出了基于单形状结构元素扩展形态学与主动学习的高光谱影像分类技术。该方法通过单形状多尺寸结构元素的扩展形态学提取空间特征,将其与光谱特征融合,充分利用了空谱信息。同时将其与主动学习结合,在主动学习中选择将AP聚类与MCLU准则结合的采样策略保证了选取出对分类最有用的训练样本。与其他现有技术相比,该方法可以获得更好的分类结果。(2)提出了一种基于多形状结构元素扩展形态学与主动学习的高光谱分类方法。为了能够对空间信息充分发掘,该方法选取多形状与尺寸的结构元素去提取高光谱影像的扩展形态学特征。同时,采用主动学习的分类方法减少对已标记样本的需求。主动学习选取图像划分与MCLU准则相结合的采样策略,挑选出同时具有不确定性和多样性的样本。实验结果表明,该方法可以通过较少的已标记样本达到更好的分类效果。(3)提出了一种基于遗传算法优化形态学结构元素组合的高光谱影像分类方法。通常根据经验或者大量的实验选取扩展形态学中结构元素,往往不一定能选出最优组合。该方法通过遗传算法自动优化,实现为每一幅高光谱影像优化出最合适的结构元素组合。接着在此基础上提出了两种高光谱影像分类方法,一种为基于遗传算法优化形态学结构元素组合的高光谱影像分类方法,其直接利用遗传算法优化后结构元素组合的扩展形态学特征和光谱特征,随机选取适量样本分类。另一种是基于遗传算法优化形态学结构元素与主动学习的高光谱影像分类方法,将遗传算法优化后的结构元素形态学特征与主动学习的框架相结合,由较少的训练样本达到更好的分类效果。通过与现有技术相比,证明该方法可以充分利用空谱信息,只需要更少的训练样本便可达到更好的分类效果。