对高维数据进行数据挖掘是机器学习的研究热点.面对“维数灾难”的难题研究者提出不同的解决方法,其中稀疏子空间聚类算法是解决这一问题的有效途径.高维数据普遍具有稀疏性,高维性,噪声性等性质.高光谱遥感影像数据是典型的高维数据,对高光谱图像进行聚类有利于实现地物的划分、勘测,从而实现人们通过技术感知远方地物.高光谱遥感影像的光谱数据,由数百个连续且窄的光谱波段组成,且波段之间存在较强的相关性.因此,在实现影像地物划分的过程中,为了提高图像的划分精度,需要克服数据存在高维性,噪声性等问题.由于现有的针对高光谱图像的稀疏子空间聚类算法仅利用影像的光谱信息聚类图像,而没有考虑影像的空间信息,从而导致其对图像的聚类效果不太理想.为了提升稀疏子空间聚类高光谱图像的性能,需要充分融合影像的光谱信息和空间信息.本文主要从基于信息融合重构亲和力矩阵和基于加权稀疏模型两个角度来探讨如何提高稀疏子空间聚类算法面向高光谱图像的地物划分精度.本文主要工作总结如下:（1）为了充分考虑高光谱遥感图像的空间结构特征,提高聚类精度,本文提出基于重构亲和力矩阵的稀疏子空间聚类算法GKD和PGKC.两种算法融合了图像的光谱信息与空间信息,解决了稀疏子空间聚类算法在处理数据时未考虑空间信息的问题,从而提高了稀疏子空间聚类算法在高光谱图像的聚类精度.谱聚类是在稀疏子空间聚类过程中必不可少的环节,而输入谱聚类的亲和力矩阵的性质直接影响算法的聚类性能,因此,本文提出两种亲和力矩阵的构建算法.首先利用主成分分析（PCA）对像素数据预处理时去除了冗余波段,其次引入像素间的空间特征高斯相似度来重新构造亲和力矩阵,从而获得富含空间信息与光谱特征的亲和力矩阵.实验结果表明本文提出的GKD算法和PGKC算法对于两个经典的高光谱数据集都能获得准确可靠的聚类结果.（2）提出基于信息熵的加权块稀疏子空间聚类算法（EBSSC）.信息熵权重与块对角约束的引入,可以在仿真实验前获得两像素属于同一类别的先验概率,从而正向干预模型求解出的解趋于块对角结构的最优近似解,使得模型获得对抗噪声和异常值的性能,从而提高模型聚类性能,以获得更好的地物划分精度.EBSSC算法在三个经典数据集上的总聚类精度分别达到了78.62%、95.27%和93.57%,实验结果表明EBSSC算法的聚类性能和聚类效果都优于现有的几种经典流行的子空间聚类算法,能够有效地解决传统子空间聚类算法在处理高光谱遥感影像时地物分类精度较低的问题.