高光谱遥感影像包含丰富的地物信息,在农业、工业和军事等众多领域应用广泛。因此,对高光谱遥感影像的识别与分类具有重要的意义。然而,高光谱遥感影像存在光谱维度高、噪声大、标记样本有限等问题,大大降低了其分类效果。如何快速地从高光谱遥感影像中挖掘有益信息,实现小样本下的高精度分类是一个亟待解决的问题。本文基于高光谱遥感影像的三维特性,提取其空谱联合特征,利用粒子群优化理论分别优化浅层分类器支持向量机（SVM）和深层分类器卷积神经网络（CNN）,以进一步提高分类精度为目的进行深入研究。本文的主要内容和创新如下:（1）针对高光谱数据维度高、信息冗余的问题,本文提出一种空谱联合特征提取模型。利用信息散度测量波段间相似性并基于聚类的思想自适应划分子空间,将各个子空间的光谱平均值输出为光谱特征。利用不同参数设置下的相对全变分技术提取多尺度空间特征,使用核主成分分析进行特征融合,最终得到高光谱遥感影像空谱联合特征。实验结果表明该模型取得的分类结果优于传统的特征提取方法。（2）SVM作为一种浅层分类器其分类性能受惩罚参数和核参数影响较大。针对此问题,本文提出了基于改进量子粒子群优化SVM的高光谱图像分类模型。在分析传统粒子群算法易早熟的基础上,进一步利用量子粒子群算法对SVM的两个参数优化,并提出防碰撞变异策略和动态收缩扩张因子策略防止局部最优,通过在两个高光谱数据集上进行实验,结果证明该模型可以获得更好的分类精度。（3）CNN作为一种深层分类器,网络架构复杂多样,分类精度受网络架构影响较大。针对此问题,本文提出了基于二进制量子粒子群优化CNN架构的高光谱图像分类模型。通过二进制量子粒子群算法寻找CNN网络的最优架构,减少人工设定的不确定性。通过实验表明,该模型有效地提高了CNN在高光谱数据上的分类精度。综上所述,本文结合高光谱数据的特点,有效地提取空谱联合特征,并利用粒子群优化理论对两种常用的分类器进行优化,最终实现小样本高精度的高光谱遥感影像分类。