高光谱图像的光谱波段数目一般达到上百个,可以提供较为丰富的光谱信息,图像中的每个像素都可以看成是一个高维度的向量。虽然数百个维度的光谱信息可以允许更精细的地物分类,但过高维度和样本数量之间的不平衡问题也制约了高光谱影像分类方法的发展。如何解决高维小样本遥感影像分类问题、如何实现同物异谱的地物精细分类问题等仍然是高光谱图像处理的难点。本论文深入分析了高光谱遥感图像空间上下文信息与邻域像素的联系,提出了两种基于超像素的高性能分类技术,并用多个数据集验证本文提出方法的优越性。(1)由于天气、传感器、拍摄环境等因素的影响,高光谱图像的像素之间存在较为严重的邻近效应。而超像素在一定程度上可以消除邻近效应,平滑同质区域中相邻像素之间的差异性。因此,本研究提出了一种新的基于超像素的扩展随机漫步分类方法。通过改进最新的扩展随机漫步分类算法,构建以超像素为结点的图模型以及超像素之间的权重矩阵,然后优化引入了超像素先验概率分布的能量函数获得最终的各超像素的概率分布,最后用概率最大化原则实现分类。实验证明该方法超越了原始的逐像素的扩展随机漫步方法,尤其在小样本情况下能够与其他分类方法的精度拉开较大差距。(2)高光谱图像分类过程中存在的样本不足问题,可以用半监督方法生成伪标记样本集用于图像分类,但错误的伪标记样本用于模型训练会严重影响分类性能。鉴于超像素的同质性保证了伪标记样本集的置信度,本研究提出了一种利用超像素和特征提取方法对传统标签传播算法改进的高光谱图像分类技术。首先设计了一个两步的扩展标签传播方法揭示高光谱图像数据分布。其中,第一步为邻域传播,以邻域为范围传播标签;第二步为超像素传播,在超像素内部传播标签。用滚动引导滤波提取的突出了强边缘的特征作为支持向量机的输入,伪标记样本集加入训练集来训练模型得到分类结果。实验证明该方法解决了传统标签传播算法的传播标签置信度问题,得到了更优秀的分类效果。相较于单一像素,超像素的光谱更稳定,受噪声影响更小。本研究用多个实验数据集分析提出的两种基于超像素的改进的高光谱图像分类方法的性能,实验结果证明基于超像素的高光谱图像分类方法可以有效解决同物异谱、训练样本少等问题,因此在处理有限样本分类时更具优势。