随着遥感技术迅速发展,高光谱图像比普通图像能够更准确地识别地物类别信息,其图像分类技术成为遥感领域研究的重要应用。然而高光谱数据维数高并且带标签的样本少,在小样本的情况下高光谱图像处理和数据分析具有一定的难度。传统的分类方法往往只利用了光谱信息,空间信息未被充分利用,并且在大量的无标签样本集中如何筛选出具有价值的样本信息同时准确预测其地物类别。针对上述问题,本文在前人研究的基础上对半监督分类算法和空间信息的辅助作用做了深入的研究,提出了两种新的半监督学习算法。具体内容如下所示:1、提出了结合主动学习与标签传递算法的高光谱图像半监督分类。该方法首先通过PCA降维获取光谱信息,用Gabor滤波方法提取空间纹理信息,将得到的空-谱信息特征级联,再利用主动学习方法中BT(Breaking Ties,BT)选择策略选取富含信息量的无标签样本,然后通过标签传递算法(Label Propagation,LP)预测所选取的无标签样本的类别。这些新产生的样本将被标记并且加入训练样本集来帮助初始化支持向量机分类器。实验结果表明,该方法能够在带标签数据很少的情况下有效利用无标签样本提高分类精度。2、提出了基于空间信息粒子群优化的高光谱图像半监督分类。该方法从三个方面充分利用地物光谱、空间信息改善高光谱图像的分类效果。首先,通过对PCA降维后的前三主成分分别进行Gabor滤波获取纹理信息图像并与第一主成分光谱信息图像结合;然后利用粒子群优化算法、空间邻域样本信息筛选有价值、高置信度的未标记样本进一步扩充标记训练样本集中;最后根据空间特征与光谱特征构造空-谱组合核函数用于支持向量机分类。实验结果表明,该算法从多角度多方面充分利用空间信息辅助提高分类器的分类效果。