随着遥感技术的迅速发展,高光谱遥感技术在军事应用和民事应用等多个领域中占有非常重要的地位.由于高光谱数据具有维数高、样本少、存在冗余和噪声波段的特点,所以联合稀疏表示方法在高光谱数据处理上的应用得到了广泛的关注.但是对于高光谱图像边界像素以及非线性可分的数据集进行有效分类还需改进,因此改善高光谱图像的分类效果在实际应用中具有重要意义.本文在已有核联合稀疏表示算法的基础上,探讨了在此基础上进行加权的方法,提出了一种加权联合稀疏表示方法.注意到对于图像边缘像素,其邻域中通常含有一些异质像素，如背景噪声和异类像素等,这些异质像素影响稀疏表示模型.因此,在这些情况下,将它们视为对中央测试像素的分类过程有同等贡献,这对准确进行分类是不利的.值得注意的是,权重反映了相邻像素和中央测试像素之间的相关性,则为中心测试像素的每个邻域像素分配适当的权重,有利于中心测试像素的准确分类.利用高光谱图像邻域像素的相似性,在测试象素的分类过程中,邻域像素的权重和稀疏表示的系数在一个正则化稀疏模型中进行优化,能够获得具有良好核稀疏表示能力的自适应权值.在加权核稀疏表示分类算法中,仅考虑了测试像素的空间邻域,进一步讨论利用空间邻域所有的训练和测试像素,提出了一种优化近邻正则化加权核联合稀疏表示分类算法.本文在Indian Pines和Pavia大学两幅高光谱遥感数据上对提出的算法进行测验,采用总体精度、平均精度和kappa系数的评价标准去衡量算法性能.在上述两幅高光谱遥感图像数据中,讨论了算法某些参数对实验结果的影响.实验结果表明,优化近邻正则化加权核联合稀疏表示充分利用了邻域像素对中心测试像素的贡献,分类精度有了一定的提高,分类性能优于现有的核稀疏表示分类算法.