高光谱图像是由空间维和光谱维组成的三维立体图像,拥有丰富的空间光谱信息,在精准农业、环境监测、军事侦察等许多领域都得到了广泛应用。高光谱图像分类技术是图像分析的关键技术,根据是否使用标签信息,可以分为有监督分类和无监督分类两种,其中无监督分类又称为聚类。高光谱图像的真实地物标签标注是像素级的,获取非常困难且价格昂贵,因此不需要使用人工标签的聚类,就得到了众多学者的关注和研究。由于高光谱图像具有高维、数据分布不平衡、空谱结构复杂等特点,对其聚类仍是一项有挑战性的任务。本文围绕正则化和协同表示的方法,研究了高光谱图像聚类问题。主要思想是充分挖掘高光谱图像的空谱联合信息,提出和改进了三种高光谱图像聚类算法,并在真实的数据集上证明所提算法的有效性。本文的主要贡献为:（1）提出了结合局部约束协同表示的费希尔判别分析（Fisher’s LDA）高光谱图像聚类算法。使用最大化瑞利商的形式结合两种经典的聚类算法K-均值聚类和谱聚类,最大化类间距离最小化类内距离,建立了一种扩展的费希尔判别分析（FLDA）模型。为了进一步利用高光谱图像的局部信息,构造了局部约束协同表示的相似度矩阵,用于FLDA模型中,提升了该模型对于空谱信息的表示能力以及聚类特征的判别性。通过高光谱标准测试数据集上的聚类实验,证明了该算法的有效性。（2）提出了双图正则化的协同子空间高光谱图像聚类算法。在协同子空间聚类方法（CRC）的基础上,建立了两个图表示,构造了超像素空间上下文结构图约束项和光谱领域图约束项。分析表明,通过加入这两个正则化项,约束了空间中相邻的像素和光谱域中相邻的像素大概率属于同一类的可能性。在三个数据集上进行实验,结果优于若干传统聚类算法。（3）提出了深度非局部协同子空间高光谱图像聚类算法。该算法基于自编码器的框架,加入了非局部运算模块和协同自表示层,充分融合图像中的空谱特征并增加了特征的判别性。设计了一个联合损失函数,该损失函数由重构误差损失函数、协同自表示损失函数、感知损失函数构成,共同提升了网络重构和特征学习能力。通过实验对比其他聚类算法,本算法拥有优异的聚类性能。