高光谱图像以光谱分辨率高的优势受到国内外的广泛关注。高光谱影像记录的波长范围更宽，能够获取地物几乎连续的波段信息。与全色、多光谱影像相比，高光谱影像在地物识别、目标探测、地物分类等方面能够得到更高的精度。然而高光谱遥感成像机理复杂，导致成像光谱仪定标、大气校正、几何校正和反射率转换等图像预处理困难。高光谱影像数据量大、波段相关性强、数据冗余严重。因此，高光谱影像给地物精细分类识别带来了巨大机遇，也给传统影像分类方法带来了挑战。为了满足高光谱影像分类对精度、速度和可靠性的要求，针对高光谱影像具有的高维相关特征、非线性可分的特点，本文围绕影像分类及特征提取技术，采用机器学习方法展开了深入研究。论文的主要研究内容和创新点如下：　　首先，研究了基于相关向量机(RelevanceVectorMachine，RVM)的高光谱影像分类方法。采用一对一法构造RVM多类分类器。与SVM进行了比较试验，结果表明，RVM参数选择简单、分类速度快，适合处理大场景高光谱遥感影像分类问题。　　其次，为了消除传统高光谱分类方法仅适用光谱特征分类的缺点，提出了一种组合多特征表述与融合的分类方法。通过不同的组合策略，构造组合核函数相关向量机，从而在相关向量机分类器中引入空域信息，本文提出了一种基于组合核函数的相关向量机分类算法。首先利用扩展的数学形态学方法提取影像的空域特征，和原有的光谱信息一起构成组合核函数，通过不同的组合策略，构造组合核函数相关向量机，利用组合核函数训练相关向量机，从而在相关向量机分类器中引入空域信息。高光谱数据实验表明，在训练时间没有显著增加的前提下，组合核函数RVM的总体分类精度和Kappa系数比基于光谱特征的分类精度均有所提高。实验表明，本文提出的方法较单独使用光谱信息进行分类具有一定的优越性。　　接着，从稀疏贝叶斯理论出发，在此基础上实现了基于RVM后验概率的混合像元分解。首先通过一系列两两配对的方法训练RVM分类器，将分类器输出的类别之间的后验概率转换为多类概率，最后利用后验概率进行高光谱影像的混合像元分解。通过与SVM方法的比较可以看出，对于两类分类问题，RVM能够直接输出类别的后验概率。而且RVM模型解的稀疏性更高。因为RVM与SVM都是通过核函数的线性组合来进行预测的，所以RVM预测速度比SVM预测快得多。然而该方法计算后验概率存在的问题是该模型的训练时间高于SVM分类器。　　最后，分析了相关向量机回归模型的原理，在此基础上提出了一种基于相关向量机回归的高光谱影像混合像元分解方法，基于模拟数据和真实高光谱影像进行了混合像元分解实验，并利用模拟数据作为分解精度的评价，从精度、稀疏性等方面将相关向量机回归与支持向量机回归等经典算法比较。结果表明RVM回归模型的解混精度高于线性模型。与SVR方法相比，RVM回归模型的训练时间高于SVR方法。总体来将RVM回归模型能够用较少的相关向量获得相对较高的分解精度。且RVM回归方法的解更稀疏，适合处理大场景高光谱影像。