随着定量化研究的不断深入，高光谱遥感技术以其光谱分辨率较高的特点受到国内外的广泛关注。在地质、植被生态、土壤，以及城市应用等方面的研究中取得了引人注目的成果，已经成为当前遥感的一个重要发展方向。其中，地物高光谱遥感分类方法的应用问题、训练样本的选择问题以及混合像元的分解问题也引起了人们的广泛关注，并且已经取得了长足的发展。本论文围绕EO-1高光谱遥感数据展开，对高光谱遥感数据进行了波段选取、绝对辐射值转换、坏线修复、条纹去除、大气纠正和几何校正的预处理。应用了几种非监督分类和监督分类方法，获取了高光谱图像所在地区的二类调查数据，并与高光谱图像配准，以此检验分类精度，结果最高分类精度达到79.8954％。并在此基础上，将传统分类方法(非监督分类中的ISODATA方法和监督分类中的最小距离法和最大似然法)与基于光谱特征分类方法(波谱角分类法)相结合对地物高光谱遥感数据进行分类，精度达到81.2231％。对高光谱预处理后的图像进行MNF变换(最小噪声变换)，得到含有信息量较大的图像，在此基础上运用非监督分类的ISODATA方法，监督分类中的最小距离法、最大似然法，波谱角分类方法对高光谱遥感数据进行分类。在MNF变换的基础上，用数据的内在维数产生像元纯度指数图像，并进行N维可视化，运用线性模型对混合像元进行线性无约束分解。通过比较非监督分类和监督分类的分类精度，结论是监督分类中波谱角的分类精度较高。对波谱角分类后的图像进行ISODATA分类、最小距离分类和最大似然分类，与波谱角分类比较，结论是波谱角分类后的ISODATA分类精度较高。对非监督分类、监督分类、线性模型的分类精度进行比较，结论是线性模型的分类精度最高。