分类是高光谱图像分析中最重要的研究内容之一。高光谱图像具有丰富的空间和光谱信息,这给高光谱图像分类带了机遇和挑战。主要面临以下几个问题急待解决：1)高光谱图像数据的高维性；2)标记样本少；3)光谱信息的空间变异性；4)图像的质量。其中高光谱图像数据的高维性和相对少量的标记样本会造成Hughes现象；而光谱信息的空问变异性和图像的质量会导致同物异谱和异物同谱现象。本文围绕高光谱图像的分类问题,结合高光谱图像的数据特点,采用监督、半监督和无监督的学习算法展开深入研究。空谱(空间-光谱)分类是高光谱图像分类的一个重要研究课题。传统的高光谱图像分类算法通常只利用了它的光谱信息,为了获得较好的分类效果,往往对标记样本的数量要求较高。而在实际中获取真实标记样本相当困难,空间信息的引入不仅能弥补样本标记信息的不足,还能有效克服同物异谱和异物同谱现象。本文首先提出了一种高斯加权局部均值算子,该算子能够充分利用局部邻域内光谱信息的相似性提取样本的空间信息。由于光谱信息本身具有很高的维数,又引入空间信息会使得样本的数据维数更高,从而造成严重的信息冗余和维数灾难。为解决这一问题,本文提出了一种复合核判别分析特征提取算法,该算法利用堆叠核、串联核和并联核将空间信息和光谱信息(空谱信息)进行不同组合,再通过非线性判别分析提取相应的特征进行分类。在极少量的标记样本情况下,相比于最近流行的复合核和广义复合核算法,本文提出的监督学习空谱分类算法能够提取更有效的判别特征,并获得更好的分类精度。标记样本的缺乏是直接影响高光谱图像分类的最重要因素之一。对于监督学习的分类算法而言,实现高光谱图像的高精度分类依然是一个很艰巨的任务。在高光谱图像中,真实标记样本虽然难以采集,但是未标记的样本却容易获得。因此本文提出了一种半监督学习的空谱分类框架。该框架采用半监督学习的算法学习新的标记样本用于弥补标记样本的不足。与其他流行的半监督学习分类算法相比,本文提出的框架在分类精度方面具有显著的优势。虽然提出的框架取得了比较高的分类精度,但是还存在一些待改进的地方。于是本文提出了一种组合无监督、半监督和监督学习算法的空谱分类模型。首先利用主成分分析对高光谱图像进行降维并提取少数几个主成分特征；然后利用半监督学习算法将未标记样本划分为易分样本和难分样本；再利用空间邻域信息和形态学算子从易分样本中挑选出高可信集,并将适当数量的高可信集样本加入到训练集,难分样本作为测试集；最终,监督学习的空谱分类算法被用于难分样本的分类任务。实验结果证明本文提出的模型能够获得快速和高精度的分类效果,优于目前高光谱图像处理中一些流行的半监督学习分类算法。