高光谱图像分类是遥感领域的一个热点问题。利用高光谱图像对于地物反射出的不同的光谱信息,可以对地物进行分类与检测。如何使得分类的精度变得更高,计算的复杂性变低,一直以来是热门的研究方向。但是,目前高光谱图像分类面临两个挑战,1)光谱空间的易变性,2)有限的训练样本与高光谱数据的高维性。这两个挑战使得高光谱图像的分类变得异常困难。本文基于高光谱图像像素相似性分析,运用小波变换和光滑排序,针对目前高光谱图像面临的挑战展开研究。主要的工作如下:1、大量的实验证明,高光谱图像分类的性能很大程度上依赖于像素间相似性度量的质量和图像的空间信息。针对目前存在的相似性度量算法只能在光谱域进行度量的缺点,而高光谱图像的空间信息又对分类的结果有着至关重要的作用的特点,本文提出一种光谱和空间信息相结合的相似性度量方法。与传统的光谱相似性度量方法相比,本文的方法能够充分利用光谱图像的空间信息,能够更好的度量像素间的相似性,从而得到更高的分类精度。2、提出一种基于小波变换和光滑排序的分类算法。小波变换能够提取图像的时域和频域特征,从而能够提取到更加抽象和表示性的特征。但是由于高光谱图像的高维性,使得小波变换之后的系数同样是高维的,导致计算复杂度变高,精度提升不大。因此,为了缓解这个问题,本文提出一种基于小波变换和光滑排序的分类算法。该方法能够将高维的小波分解系数映射在低维空间,从而使得简单的分类算法（例如,一维插值）运用在小波分解系数上,降低了计算复杂度,提高了分类精度。最后,本文在两个常用的高光谱图像数据集上实验,实验证明,我们提出的方法是有效的,和其他类似方法比较,精度高于其他的同类算法。