遥感技术和成像设备的不断进步,使得高光谱图像得以广泛应用,分类是高光谱图像处理及应用的一个主要分支,目标是为图像中每个像素元赋以唯一的类别标识。本文将聚焦于基于稀疏表达的高光谱图像分类,提出有效的分类算法。为克服传统方法通过堆叠训练样本构造字典所带来的种种问题,本文以训练一个鲁棒性高的字典为目标,提出了基于局部自适应相似性的字典学习算法ALSS(Adaptive Local Structure Similarity),该算法不仅考虑了像元间的空间关系,还改进了传统方法中使用预先定义的、固定的拉普拉斯算子刻画像元间局部空间关系的方式,而是在字典的学习过程中自适应地修正像元间局部空间关系,这种自适应学习局部相似性的字典学习算法具有以下两点优势:考虑了像元稀疏系数本身所具有的相似性关系;在字典学习过程中优化该局部空间关系能使字典更具判别能力、更能准确地进行稀疏表达。除此之外,ALSS还将高光谱图像划分成空间上相邻但独立不重叠的空间块,由于各空间块通常由相同物质构成,所以块内像元可以通过来自字典的少量共有元素线性表示,这样的字典学习算法不仅结合了高光谱图像像元间的空间关联信息,还为并行处理提供了条件。通过对ALSS算法的分类结果分析,可以发现其分类边界微显锯齿状,因此采用规则块来分割高光谱图像数据是不符合实际情况的。而超像素可以将位置相邻并且颜色、亮度、纹理特征相似的像素点包含在一个块区中,这些超像素均匀且互不重叠,这不仅符合高光谱图像数据的实际情况,而且融合了多种丰富信息,最重要的是它能与ALSS算法完美结合,进一步提升ALSS算法的分类精度,使分类结果更加平滑。由此,本文提出了基于超像素的高光谱图像分类算法ALSS-SUP和ALSS-ERS,两种算法结合超像素的思路不同:第一种ALSS-SUP,是将ALSS算法模型中的空间块直接改变为超像素进行处理;第二种ALSS-ERS,则将超像素分割作为后处理步骤,在得到ALSS算法的分类结果后,对分类结果图谱进行超像素分割,然后采用多数投票方法更新每一个超像素的分类标签,并得到最终分类结果。在两种方式中,不论是运行时间还是分类精度ALSS-SUP都要高于ALSS-ERS,但两种方法均能提升ALSS的分类性能。采用本文所提算法在三个常用的高光谱图像数据集上分类,实验结果验证了它们的有效性。