高光谱分类是指从远处充分利用地物反射的密集的光谱信息,对地物进行判别归类的一种遥感技术,具有广泛的应用前景。高光谱图像具有光谱维度高、样本数据少的特点,易产生同类地物光谱变异和同谱异物等现象,这些给分类问题带来极大的挑战。传统的分类模型基于“相似的光谱具有相同的类别”这一假设。通常情况下,没有一个单一的分类器是万能的,同样的高光谱数据在不同的分类器模型下会产生不同的分类结果。对于神经网络的学习方法,首先,需要解决高光谱数据短缺的问题。其次,更具有挑战性的问题是设计网络结构并对分类结果做出合理解释。对于现有的集成学习分类方法,往往单独地使用多个分类器模型机械地结合,或者通过Boost方式对基分类器不停地迭代。为了解决该问题,本文的研究通过将级联和并联的集成思想结合,提出多阶段集成学习,从而提高模型的整体分类效果。首先,从分类器差异性和互补性的定量指标度量的角度,针对特定的数据集筛选出三个匹配指数最高的机器学习分类器。然后,将筛选出的三个分类器作为三级基分类器。多阶段集成学习的第一阶段就是根据每一个三级基分类器的特点,通过多核学习的方式、不同参数下的集成或者Boost线性组合方式集成得到三个二级分类器。多阶段集成学习的第二阶段就是将二级分类器通过各自的总体精度的反馈机制得到权重矩阵,融合得到一级分类器。在三个开源的高光谱数据集上选择小的训练样本进行实验,结果表明:一级分类器的总体分类精度、平均分类精度和Kappa系数的三个评价指标都有较明显地提升。同时,训练样本集从5%逐步增加到80%,本文中的多阶段集成分类器的分类性能随着训练样本的增加稳步提升。最后,将上述的多阶段集成学习分类方法应用于实际类别较复杂的雄安新区农作物分类中,实验结果均表明上述三个分类器评价指标有较大的提升。将本文中的多阶段集成方法与通过卷积神经网络分类得到的分类结果对比,从时间的性价比上来说,本文的方法具有较大的优势。