高光谱遥感是当前遥感技术的前沿领域,它利用很多很窄的电磁波波段从感兴趣的物体获得有用数据。高光谱遥感产生的高光谱图像包含了丰富的空间、辐射和光谱三重信息。但是,由于高光谱图像本身的维数高且存在歧义性,所以无论是在理论上还是在应用方面都还存在着许多待解决的问题。本文的研究围绕着高光谱图像地物的分类和分割学习算法展开,主要的工作如下：研究了将1范数支持向量机应用于高光谱图像地物的分类。目前支持向量机算法已经成功应用到了高光谱图像地物的分类中,但是检验速度不太理想,主要原因是算法产生的支持向量较多。鉴于此,我们把1范数支持向量机算法应用到高光谱图像地物分类中。该算法可以在较大的减少非零系数的情况下尽量保持识别率,而非零系数的减少有利于检验速度的提升。实验结果验证了该算法的有效性。提出了等距映射像素分布流算法。等距映射算法已经被用到了处理高光谱图像地物分割中,但是该算法对特征相近的地物无法分开。本文把像素空间信息引入到等距映射中,提出一种等距映射像素分布流算法。在该算法中,我们用一个加权参数把像素空间信息和像素特征信息联系起来,通过调节该加权参数能够改变空间信息和特征信息的比例,形成信息差值序列,利用这个差值序列来分割图像。仿真实验证明了等距映射像素分布流算法的有效性。提出了基于像素特征信息的边界点校正方法。在我们利用上面提出的等距映射像素分布流算法对高光谱图像地物进行分割后,我们发现得到的分割结果比较破碎、边界点较多,而且地物的形态与标记相差较大。为了解决这个问题,我们提出了基于像素特征信息的边界点校正方法,对冗余的边界点进行校正即重新归类。仿真实验验证了该方法的有效性,使得校正后的结果接近于地物形态。本论文得到了国家自然科学基金(NO.60602064)和(NO.60970067)资助。