高光谱遥感影像具有空间分辨率高、光谱信息十分详细、数据量大、数据间相关性强、隐含特征丰富、冗余度高等特点,给遥感数据处理带来了新的挑战,使用传统遥感影像分类方法易陷入“维数灾难”。因此,从高光谱遥感影像中有效地提取出鉴别特征,得到好的分类结果成为了高光谱遥感技术重点研究对象之一。　　根据高光谱遥感影像的特点,在传统特征提取和分类方法的基础上,本文主要从流形学习和稀疏表示两方面研究了高光谱遥感影像的特征提取和分类方法。主要研究内容如下:　　①从传统方法、流形学习、稀疏表示、分类方法和精度评价方面对几种经典算法进行总结。　　②研究了基于流形学习的高光谱遥感影像分类。传统LLE算法采用欧氏距离度量近邻时,可能把空间几何位置相隔较远的数据点作为近邻。针对此问题,本文提出了局部光谱角LLE算法和局部最近邻分类算法,该算法首先由欧氏距离得到大范围近邻,再通过光谱角得到准确近邻,并把该近邻应用于LLE算法得到鉴别特征,最后使用局部光谱角最近邻分类器进行分类。在IndianPine和KSC高光谱数据集上的实验结果表明:本文提出的局部光谱角LLE算法和局部光谱角最近邻分类算法能够更有效地提取出鉴别特征,且分类结果更准确,对高光谱遥感影像的地物分类效果更好。　　③研究了基于稀疏表示的高光谱遥感影像分类。介绍了稀疏表示的基本原理,并结合图嵌入理论,在低维空间中保持高维空间中由稀疏表示反映出的相似性不变,本文提出了稀疏保持嵌入和稀疏保持分类算法。该算法首先通过稀疏表示得到稀疏系数,再通过稀疏系数设置数据间的相似性权重,在低维空间中保持相似性权重不变,进而提取出鉴别特征,最后,通过稀疏保持分类算法进行分类。在Botswana和Urban高光谱遥感数据集上的实验结果表明:本文提出的稀疏保持嵌入算法和稀疏保持分类算法能够更有效地提取出鉴别特征,且分类结果更准确,对高光谱遥感影像的地物分类具有更好的效果。　　综上所述,本文主要研究了高光谱遥感影像基于流形学习和稀疏表示的特征提取和分类方法,提出了两种新的特征提取方法和两种新的分类方法,并通过高光谱遥感数据集验证了本文方法对高光谱遥感影像地物分类的效果更好。