高光谱遥感图像分类是高光谱图像处理领域的重要研究课题之一。然而,高光谱遥感图像面临着多重挑战,如信息冗余、“同谱异物,异物同谱”等。受传感器工作方式和成像技术的限制,高光谱遥感图像空间分辨率低,存在大量混合像元,难以满足日益升级的分类需求,而Li DAR数据作为一种主动成像技术,能够表征场景空间三维特征,与高光谱遥感图像信息互补。因此,在充分考虑光谱信息前提下,如何使高光谱遥感图像空间特征更具判别性是本课题的研究重点。本文从空间纹理特征融合与多源遥感数据判别性互补信息融合两个角度出发,提取地物判别性信息并设计有效分类模型,旨在充分利用地物空间几何结构特征和丰富光谱信息以提高地物分类准确度。本文主要工作内容概述如下:超像素分割技术是研究高光谱遥感图像局部特征的有效手段,超像素内部纹理基元的排列方式、规律以及纹理的粗糙程度等表现相似,然而由于超像素隐性不相关现象致使超像素并不是真正意义上的纹理一致性区域。针对这一问题,为获取精准纹理信息并优化空间纹理特征趋于一致性,提出了一种多尺度超像素纹理保持与融合算法,通过Gabor滤波器执行多方向多尺度的空间纹理特征提取,级联融合同一尺度不同方向纹理结构,构造类间测度大、类内测度小的判别性Gabor特征,并将空间维特征提取扩展到光谱-空间纹理判别性联合特征。此外,定义基于密度最近邻的相似性评价准则,旨在修正弱同质区域得到具有纹理一致性的联合特征。实验结果显示,相比于经典的、主流的特征提取方法,利用本文方法提出的光谱-空间纹理判别性特征丰富了细节特征,能实现更优的分类性能。遥感场景地物分布复杂,由于高光谱遥感图像空间分辨率的限制,空间结构信息表征不完整、受限于相同材质不同地物的区分能力;被动式遥感技术使高光谱遥感图像丢失了地物高度信息,且易受环境影响。针对这一问题,提出了一种空间梯度优化的高光谱遥感图像与Li DAR数据融合算法,通过数学优化,融合异源多属性特征,解决异源数据异构性问题,实现信息互补。首先,高光谱遥感图像与Li DAR分割为多个超像素块,基于高斯密度的正则化策略规则化配准的超像素块;其次,引入梯度转移模型与总变量最小化,将Li DAR的高程信息转移到高光谱遥感图像;最后,融合图像重构为引导图像对高光谱遥感图像的每一维度进行滤波。实验结果显示,相比于主流堆叠异源数据融合方法,本文方法克服了异源数据描述同一场景物理意义不同、数据形式不同等问题。