高光谱图像分类是对数据体中的每一个像素赋予一个类别标签,以此判别地面物体的类属及其分布状况。速度快、精度高的高光谱遥感图像分类算法是实现各种实际应用的前提条件。高光谱图像分类一直受遥感信息处理科技人员的极大重视,大量研究者都在不断探索新的方法、改进原有的方法,旨在不断提高高光谱图像分类算法的速度和精度。在这其中,空谱联合分类受到越来越多的重视。分割的主成分分析能够在保留空间结构的基础上达到减少波段数量、降低运算量的效果。高光谱图像在经过分割的主成分降维后,利用域变换递归滤波和局部二值模式两种空间特征提取方法可有效提取空间特征,进而达到联合空间和光谱信息的目的。基于此,本论文主要研究了基于分割的主成分分析和空间特征提取的两种高光谱图像分类算法:1.提出了一个新的基于分割的主成分分析(SPCA)和域变换递归滤波(DTRF)的高光谱图像分类算法。首先利用SPCA方法降低高光谱图像的维数和提取各波段子集的第一主成分。然后,使用不同参数的域变换递归滤波器对各波段子集第一主成分进行滤波,形成堆叠的边缘保持滤波图,实现了空间特征提取的功能。并用主成分分析(PCA)将堆叠的边缘保持滤波图进行特征融合,达到减少冗余信息、增强类与类之间分离性的效果。最后,利用基本阈值分类器(BTC)对融合后的主成分进行分类。仿真实验表明文中所提方法能够提高分类精度,且在总体分类精度,平均分类精度,Kappa系数等方面优于已有方法。2.设计了基于SPCA和局部二值模式(LBP)的高光谱图像分类算法。其通过将分割的主成分分析与局部二值模式相结合对高光谱图像进行特征提取,保证了高光谱图像的谱间冗余的有效去除,同时保护了高光谱图像的空间局部邻域信息,然后利用PCA融合,降低了冗余,同时又增强了类之间的分离性。因此,此算法不但能充分挖掘高光谱图像的谱间空间特征,在较大程度上提高分类精度和Kappa系数,而且在小样本情况下也具有良好的分类性能。仿真实验表明所提算法在客观评价方面与已有经典高光谱图像分类算法相比具有一定优势。