在高光谱图像分类领域,利用空间信息的方法很多。空谱特征的融合,利用超像素信息优化结果等都能有效把空间信息融入到分类步骤中。这些方法虽然有效果但也存在一些缺陷。空谱特征融合的方法一般只把一种空间特征和一种光谱特征融合后送入分类器。但是空间信息包含纹理信息、数学形态学特征信息和邻域信息,所以一种空间特征无法充分的描述高光谱图像的空间信息。利用超像素优化分类结果的方法是在分类结束后对分类结果进行处理,位于相同标签数量较少的超像素区域的像素点无法有效的参考超像素信息,信息的利用率不高。本文对多种空间信息的组合在高光谱分类中的利用做了深入研究,研究工作主要包括以下两个方面:(1)针对单一空间特征对高光谱图像空间信息表示不充分的问题,本文提出了一种自适应多特征联合的高光谱图像分类算法。该算法以差分形态学特征作为基准,自适应的找到不同维度的差分形态学特征中分类效果最好的一个作为融合的基础特征。然后把Gabor特征和光谱特征融合上最优差分形态学特征,送入SVM分类器。得到的结果和最优差分形态学特征的分类结果对比,把最优的结果作为输出。最后用SLICO空间信息对分类结果进行优化。该方法充分利用了高光谱图像的空间信息,得到的特征从多个角度描述了高光谱图像。自适应选择最优基准特征的做法保证了算法精度的下界,对不同大小,不同内容的高光谱图像具有很好的适应性。(2)针对传统超像素信息利用率低的问题,本文提出了一种“平滑移动”的方法,用于分类前对特征进行处理,在每个高光谱图像的像素特征向量中都加入超像素信息。该方法充分的考虑了每一个像素的邻域信息,对“平滑移动”之前的特征有一定的降噪效果,能有效的减少分类误差,效果优于后处理。本文把这种方法用于自适应多特征联合的高光谱图像分类,有效的提高了分类效果。