随着传感器和信息技术的发展进步,高空间分辨率的高光谱图像分类技术得到了越来越多的研究和应用,如人脸识别检测、图像处理等领域。然而,高光谱图像在拥有丰富信息的同时,还存在着图像信息数据量过大、相关性强等诸多问题,这极大地提高了高光谱图像信息提取和分类的效率和难度。目前传统的高光谱图像分类技术主要采用了提取图像的光谱特征,进而对图像进行分类处理,但却完全忽略了图像中存在的包含重要数据和信息的空间特征。近年来,人们对利用提取空间特征信息来提高高光谱图像分类性能的方法有着极大的研究兴趣。本论文比较系统的研究了高光谱图像的特征提取和分类方法,将图像的光谱特征和空间特征结合起来,并深入的研究了基于极端学习机分类器的高光谱图像分类技术和算法,论文主要的内容和重点如下:(1)研究了基于局部二值模式的高光谱图像空间特征提取。该方法在空间特征提取方面有着显著的优势,并将提取的空间特征向量与光谱特征向量相结合,得到新的空谱联合特征向量,以解决图像分类过程中提取单一特征导致特征提取不充分、分类效果不理想的问题。(2)提出了基于空谱特征的核极端学习机高光谱图像分类算法,使用核极端学习机分类器,代替传统的极端学习机进行高光谱图像分类,避免传统极端学习机因随机分配输入权重和偏差,导致分类效果不佳的问题。