高光谱图像信噪比提高困难，去噪对高光谱图像分类意义重大。稀疏与低秩矩阵分解（SLRMD）近几年在计算机视觉、计算机图形学、计算摄像学等多个领域得到十分成功的应用。高光谱图像各个波段的噪声具有不相关性，而信号具有强相关性。如果将三维高光谱图像每个波段向量化，转化为二维矩阵，基于SRLMD思想，这个二维矩阵由两部分组成：低秩的信号矩阵，这由图像信号的强相关性所决定；稀疏的随机噪声矩阵，这由随机噪声的不相关性所决定。本文引入SLRMD来去除高光谱图像的随机噪声，使得各个波段的噪声均得到较好的抑制。实验采用两幅高光谱图像，与三维块匹配(BM3D)方法和自适应特征阈值的小波收缩（FAWS）方法做对比，结果显示，经过SLRMD去噪后的图像在特征相似性指数（FSIM）、结构相似性指数（SSIM）、峰值信噪比（PSNR）和视觉效果上都要优于BM3D、FAWS；将经过SLRMD、BM3D、FAWS方法去噪后的图像分别用SVM分类，结果显示，SLRMD去噪能有效提高分类精度。　　高光谱图像维数众多，为了提高分类精度通常需要进行降维处理。主成分分析（PCA）是一种经典的图像降维方法。但高光谱图像信噪比较低，直接用PCA提取主成分，经常把含有大量噪声的主成分当做重要的主成分提取出来。SLRMD去噪后的图像是低秩的，波段间相似度较大，冗余较多。PCA变换是根据不同波段间的协方差，去除光谱间的冗余。因此将SLRMD和PCA相结合，提出一种新的高光谱图像分类方法SLRPCA-SVM。该方法首先利用SLRMD对图像去噪；然后对SLRMD去噪后的低秩图像用PCA降维，最后利用支持向量机（SVM）对降维后的图像进行分类。SLRMD去噪后的图像经过PCA变换后编号较小的主成分都是包含有效信号的重要主成分。　　高光谱图像是拥有一维光谱信息和二维空间信息的数据立方体。SLRPCA-SVM较好的利用了图像的光谱信息，但图像向量化是列优先的，因此只有纵向维度的空间信息被利用，地物的边缘信息丢失。边缘保持滤波（EPF）能在对图像滤波的同时有效的保留图像的边缘信息，因此提出一种新的光谱空间信息相结合的分类方法SLRPCA-EPF。该方法将边缘保持滤波（EPF）和SLRPCA-SVM相结合,首先利用PCA提取图像第一主成分作为引导图像；然后利用SLRPCA-SVM对图像初步分类，得到初始分类概率图像；最后利用EPF结合引导图像对初始概率图像进行局部优化，并通过概率最大准则得到最终的分类结果。　　由于高光谱图像的样本获取普遍比较困难，为了检验提出的分类方法的实用性，实验在稀少样本下进行，用提出的方法对两幅高光谱图像分类，结果表明，提出的方法能大幅提高分类精度，而且运行时间比较短，因此提出的方法对高光谱图像分类具有较高的实用价值。