目前,高光谱遥感已经成为遥感领域的前沿科技,其中高光谱图像分类技术已经成为高光谱遥感处理领域的研究热点,对该技术进行研究具有较高的理论及应用价值。然而高光谱图像处理也引入了新的处理难题:如何解决高维小样本问题,如何利用被忽略的信息如结构信息,如何利用海量的未标记样本所蕴含的信息,如何选择分类器等。在实际应用中,对高光谱分类器的性能要求越来越高,相应的高光谱图像分类技术的研究应该围绕这个指导思想,紧密结合高光谱遥感的具体应用。本文的研究工作主要包括以下几个方面:首先针对高光谱图像波段间相关性较强,数据冗余度大的问题,研究了高维数据的降维策略。结合高光谱数据的特点,提出了两种不同的降维方法。针对特征提取,提出了一种基于波段子集的特征提取算法,该方法根据光谱波段的局部相关性将光谱空间划分为若干个波段子集,然后对各个波段子集进行特征提取,构造组合特征参与分类,该可以有效地减少谱间局部相关性对分类影响。为了减少特征提取对原始数据变换的影响,提出了波段选择策略,该算法基于组合优化算法,在粒子群优化算法中集成了遗传算子操作,从而综合利用了不同的种群进化算法的优点,克服了单一的优化算法收敛速度慢、全局搜索和局搜索能力弱等自身难以克服的缺陷,提高了波段选择算法的性能。其次针对目前分类算法大多只利用了光谱信息,忽略了高光谱图像中目标的形状、纹理等结构特征的问题,提出了基于谱域-空域特征融合的高光谱图像分类技术,该方法利用目标的空域特征来改进分类器,提升分类器的性能。针对谱域、空域特征融合,提出两种不同的融合策略,分别为组合特征方式和组合核函数融合方式。首先对高光谱图像进行特征提取,并利用虚拟维数估计方法来确定需要保留的主分量,然后利用数学形态学提取保留的主分量图像的形态学特征,从而构造目标的扩展形态学特征矢量。利用得到的形态学特征,结合谱域特征,利用组合特征的方式进行融合,并且用于接下来的分类操作,提升了分类器的性能,验证了高光谱特征融合思路的有效性。针对高光谱图像的高维特性,为了避免“维数灾难”,提出了组合核函数的融合分类算法,利用组合核函数的方式进行特征融合,利用核函数进行特征融合相当于将输入数据通过非线性映射变换到高维特征空间,避免了传统分类方法的“维数灾难”问题,提高了不同特征间互补多样性的利用效率,从而提升了分类精度。接着针对高光谱图像分类中有标签样本点获取较为困难,代价较高,导致相对于海量的未标签样本点来说数目较少,不能充分代表整个样本空间的统计分布,从而常规的监督分类算法的训练样本不足,由此生成的分类器性能不能满足实际的应用需求。为了解决这一问题,本文利用高光谱图像数据中的海量未标签样本点所含信息来改进分类器,提出了基于半监督学习策略的高光谱分类技术。针对分类中样本集的规模大小和实际应用情况,提出了三种不同的半监督分类算法。首先在支持向量机理论的基础上,针对不同波段鉴别地物类别的能力的不同,提出了基于光谱加权的直推式支持向量机半监督分类方法,通过分析高光谱谱段所含的分类信息,设计了不同的权值估计策略,分别针对两类和多类分类,利用估计得到的波段权重改进核函数,并且利用凹凸过程优化方法,对直推式支持向量机的非凸目标函数进行优化,进一步提升了分类器的性能。其次根据聚类假设,即高光谱图像中的同类地物在聚类中往往会被分在同一类中的特性,研究了基于聚类核函数的半监督分类算法,通过对样本集多次聚类,利用聚类结果构造包袋核函数,并且利用不同的运算与标准核函数构成组合核函数,从而将未标签样本信息引入了分类器的训练过程,提升了分类精度。最后研究了基于图的半监督分类方法,利用样本点间的相似程度构造图,并且采用基于密度敏感的流形距离取代欧氏距离来计算两个样本点之间的距离,以衡量样本点间的相似程度,并且利用了原始类别的先验信息来改进分类器,该算法具有很好的数学解释性和良好的学习性能,并且能够避免收敛到局部最优。最后针对在应用中分类器的选择问题,如何在先验知识不足的情况下选择最符合实际情况的分类器,提出了基于集成学习和支持向量机的高光谱分类技术,首先对高光谱图像利用独立分量分析方法进行预处理,将得到的独立分量作为接下来的分类特征,并且利用集成学习策略,构造多个分类器,从而降低了因为先验信息不足导致的分类器选择不恰当的概率,获得了比单个分类器更高的泛化性能。该算法以改变训练样本方法构成的方式,将多个不同的基模型组合成一个模型的学习方法,利用多个基模型间的差异来提高模型的泛化性能。最终论文对本文工作进行了总结,并指出了今后需要进一步研究的内容。