高光谱遥感影像光谱分辨率高、波段众多的特点为地物精细识别带来巨大便利的同时，也造成了影像数据量的急剧增加，当把全部的波段都用于信息提取与分类处理时，不仅会导致计算机处理载荷大幅度增加、效率低下，而且参与处理的波段数目与分类精度不成正比例。本文在分析高光谱影像分类和特征提取研究现状的基础上，深入研究了面向分类的高光谱影像特征提取技术，使其在精度、效率与方法适用性三者之间取得较好的平衡，充分发挥了高光谱遥感技术的优势。主要完成的工作有：1．结合高光谱影像数据的描述空间，从分类的角度上阐述了高光谱影像降维的必要性，总结了现有的特征提取和分类技术的发展现状，从理论上分析了面向分类的特征提取技术的可行性。2.归纳高光谱遥感本征维数估计方法，针对最大似然估计方法整体收敛性较差，忽略单个样本点贡献，导致冗余信息增大、重要信息被湮没的缺陷，采用自适应性最大似然估计法（AMLE），通过实验验证该方法不仅在理论和计算上延续了最大似然估计法的优势，还能充分考虑数据的分布信息，在本征维数的估计准确度上高于最大似然估计法，且对近邻数的变化不甚敏感。3.针对局部线性嵌入算法（LLE）分类结果存在地物混淆的问题，提出了一种改进算法。借助重构误差作为评价未知样本与已知样本是否相似的测度，通过引入平移向量和缩放因子对不同类别的样本距离进行修正，增强了类别可分性。通过实验分析验证，改进方法能明显改善分类精度。4．将二维主成分分析方法（2DPCA）引入到高光谱影像特征提取中。该方法在保持影像原有空间结构信息的前提下，通过多变量线性变换，求取最佳投影方向，不仅能提高同类地物的聚团性、避免分类后地物混淆，还能有效消除最终分类结果的“麻点”现象，使得分类结果的目视效果更为平滑。