遥感多/高光谱图像能够提供地物对象丰富的光谱信息；激光雷达数据则能够提供观测对象的高程分布信息。当面对地物分类问题时，上述两种数据源在信息上的良好互补性显示出巨大的联合应用前景，同时来自不同源的数据也为联合使用的技术手段提出一定挑战。本文从光谱图像与激光雷达数据的特点入手，研究多核学习方法在联合利用多/高光谱图像与激光雷达数据进行地物分类方面的应用，以期更有效的综合利用上述两类数据源，实现更好的分类效果。本文的主要工作是研究以多核学习为理论基础的多/高光谱图像与激光雷达数据联合分类，具体包括以下三个方面：首先，本文介绍了多/高光谱图像和激光雷达数据的各自传感源工作机理和数据特点。接着对相应的数据进行了去噪、栅格化、配准等处理，为两类数据的联合使用铺平道路。然后从更全面的挖掘两类数据中蕴含信息的角度出发，本文利用相应的算法提取得到光谱、植被指数、归一化数字表面模型、形态学特征、激光雷达强度、激光雷达二次回波数字表面模型等特征。其次，本文在回顾了核机器学习的基本原理与实现方式的基础上，根据在联合利用光谱图像与激光雷达数据时所面临异源异构特征的实际情况，建立了一种在尺度维和特征维两个层面下的多核学习模型。通过使用不同的准则在尺度维和特征维分别进行多核优化求解，得到了具有较高分类性能的多核学习分类器。实验部分验证了所提出的多核方法在联合使用光谱图像与激光雷达数据分类时的有效性。最后，针对两类源数据提供的丰富特征情况下标签训练样本不足的问题，本文首先对图连接权值构建方法进行改造以适应联合分类，在此基础上，进一步利用改进后得到的图与多核学习相结合，构建出待优化目标函数并给出相应的求解方式，形成了一种具有半监督学习能力的多核学习分类器——图拉普拉斯多核学习方法。该方法通过挖掘无标签样本中蕴含的信息，增强了多核学习机器的分类效果。