高光谱遥感技术是集成像与光谱探测为一体的光学遥感技术,该技术通过光学系统接收地物反射并获取地面目标像元的光谱信息对地物目标进行识别。目前,针对地面物质信息的高光谱遥感图像分类是一门综合图像处理与遥感成像技术的前沿科研课题。同时,如何提升光谱类似区域的识别能力以及处理效率一直是高光谱遥感图像场景分类的研究重点。因此,本文提出了两种结合光谱和空间信息的场景分类方法,并使用真实的高光谱遥感图像数据验证了本文所提方法的有效性。本文主要的工作概括如下:(1)传统的k-最近邻域(k-Nearest Neighbor,k-NN)方法依赖于欧氏距离作为度量方式来预测测试样本的标签。然而,每个测试样本在进行类别判定时,距离信息的权重分配往往会影响分类精度的提升。因此,本文提出了一种加权最近邻与稀疏表示融合的高光谱图像分类方法,该方法包括以下步骤:首先,对测试像元周围邻域按窗口大小进行联合,形成测试像元的联合区域并获取像元间的欧式距离。其次,利用高斯加权函数对距离信息进行权重分配。最后,融合稀疏表示的重构残差形成新的决策函数。实验结果表明,本文提出的方法有更高的分类精度。(2)高光谱遥感地物样本标定的过程中经常存在不可避免的误标定现象,造成训练样本中含有少量的错误标定样本(即不确定样本)。因此,为了降低不确定样本对监督分类的影响,本文提出了一种基于加权最近邻的峰值密度高光谱图像分类方法。该方法具体步骤如下:首先,利用熵率超像素(Entropy Rate Superpixel,ERS)算法获取训练样本所对应的自适应同质区域。其次,计算同质区域中每个像元之间的欧式距离,同时利用高斯加权函数对距离信息进行权重分配。再次,通过峰值密度聚类算法检测和去除错误标定样本。最后,利用支持向量机来评价该方法的有效性。实验结果表明,本文提出的方法可以有效地检测和去除不确定样本,改善监督分类器的性能。综上,本文针对测试样本的标签预测和训练样本的正确标定问题,提出了光谱-空间联合和不确定样本条件下的分类方法,并通过实验分析证明了所提方法的优越性,为高光谱遥感图像分类研究领域提供了新思路。