针对高光谱图像标注样本数少、数据维数大导致分类精度不佳、算法稳定性较低的问题,提出一种基于DS聚类的高光谱图像集成分类算法(Dominant Set Clustering Ensemble Algorithm,DSCEA)。首先,采用随机选取的方式,从原始训练样本的全部波段中选择多组数量相同的波段子集,提取各波段对应的二维图像组成多个图像集合。其次,利用DS聚类的波段选择方法,分别计算图像集合的三维图像梯度值,构造局部空谱一致性函数,筛选出能够表示原始图像信息且波段信息量大、波段间冗余性小的特征子集。再次,以支持向量机为基分类器,将波段选择后的特征子集作为新训练样本,训练出具有差异性的单分类器,对目标样本进行分类。最后,使用简单高效的多数投票法整合单分类器分类结果,集成最终分类器,深入挖掘图像信息的同时,实现对目标样本的稳定分类。本文采用两组经典的高光谱数据集进行实验,对波段数量和分类器个数进行集成因素分析,将DSCEA算法与单独使用的支持向量机(SVM)、基于DS聚类的支持向量机(DS_SVM)、K近邻(DS_KNN)、随机森林(DS_RT)分类算法进行对比实验分析,并根据分类精度与Kappa系数对算法进行客观评价。结果表明,DSCEA算法能够完成小样本、高维数条件下的高光谱图像分类任务,并且具有较高的分类精度与算法稳定性。