随着遥感技术的发展,高光谱遥感图像的分辨率也变的越来越高,所包含的地物信息也更加丰富,高光谱遥感图像中所蕴含的丰富的光谱信息和空间信息为地物分类的精细化提供了新的契机。但同时也带来一些问题,超高分辨率导致数据量大、冗余度高、波段数多且相关性强等若干问题,若直接对高光谱图像进行分类,不但会消耗大量的时间还会使分类精度不高。因此,如果能首先对高光谱图像进行去噪处理,再融合高光谱图像所蕴含的丰富的光谱信息和空间信息,不但能减少运算量,还能提高高光谱图像分类算法的分类精度。针对高光谱遥感图像的分类方法有很多,但大多数分类算法侧重于对图像光谱信息的运用,并未考虑地物在空间分布上具有连续性的特点,将空间信息融合进高光谱图像的分类算法中,基于此,本文主要研究工作如下:(1)对传统的高光谱图像分类算法分成了两类进行了简单的介绍,第一类是仅利用光谱信息的算法,另一类是引入空间信息的算法,并介绍了高光谱图像分类算法分类精度的评价指标和常用的高光谱图像数据集。(2)提出了一种空谱近邻(SSNN)高光谱图像分类算法。该算法的空谱信息结合主要利用地物在空间分布上具有连续性的特点,首先构造测试样本点的近邻空间,过滤近邻空间中与测试样本标签不一致的空间近邻点,从而有效解决近邻空间内异类点对测试样本点分类的干扰,过滤了椒盐噪声,改善图像的椒盐效应。其次,提出了一种新的距离度量方式,通过引入正则化系数,计算训练样本和测试样本近邻空间的距离,选择距离最小的训练样本标签作为测试样本的标签。该算法在Indian Pines和PaviaU高光谱数据集上的总体分类精度分别为95.31%和97.51%。(3)提出了一种空谱加权近邻(SSWNN)高光谱图像分类算法。该算法首先寻找中心像素点的近邻空间,对图像进行去噪处理;其次,将近邻空间中像元点的空间信息和光谱信息进行充分融合,根据空间近邻点和中心像元点的光谱相似性计算各近邻点的权重。最后,将进行去噪和加权处理的近邻空间同训练样本进行距离求解,以距离最近的训练样本的标签作为中心像元点的标签。SSWNN算法在Indian Pines和PaviaU高光谱数据集上的总体分类精度分别为96.75%和98.54%。综上所述,本文主要研究了基于高光谱图像光谱信息和空间信息融合的分类算法,改善了椒盐效应,提出了一种新的距离度量方式,并引入空谱加权融合,通过在高光谱图像数据集上的实验,验证了本文所提算法的有效性。