随着遥感技术的发展,遥感图像的光谱分辨率、时间分辨率和空间分辨率都在逐步提高,人们可以从遥感图像中获得更多的有用信息。目前,遥感技术已经广泛应用于军事、环境监测、农业等各个领域。近年来,稀疏理论作为图像处理领域的一个研究热点,已经应用于遥感图像中。本文在研究稀疏理论的基础上,对多光谱和高光谱两种遥感图像进行研究,以提高红树林遥感图像分类为研究目的,其主要研究内容如下:(1)针对多光谱遥感图像,提出一种基于加权邻域平滑稀疏表示的遥感图像分类算法。首先针对红树林遥感图像的特殊性质,融合光谱特征以外的地理、纹理等多种特征;然后利用K-奇异值分解(K-SVD)算法训练样本数据构成过完备字典,以像元的曼哈顿距离的平均值表示像元间的相似性,通过加权函数对不同的相邻像元分配不同的权重;最后通过正交匹配追踪算法(OMP)求解稀疏系数,根据重构残差判断像元所属类别。通过在漳江口红树林自然保护区TM多光谱遥感图像数据集上展示了算法的有效性。(2)针对高光谱遥感图像,提出一种基于监督稀疏嵌入保持投影的高光谱降维算法。由于高光谱波段数目多,计算量大的问题,降维是高光谱图像重要的研究热点。传统的稀疏保持投影(SPP)是一种无监督降维算法,在其基础上,考虑到样本的流形结构信息,利用标签信息构建权重矩阵,突出标记样本内在的局部流行的作用。并且在SPP目标函数基础上考虑同类样本间距,即同时让目标函数的重构残差和同类样本间距达到最小。通过在高光谱公共数据集Indian Pines和漳江口红树林自然保护区HJ1A-HSI上证明了算法的有效性。基于稀疏理论的遥感图像分类研究具有良好的前景和发展,并且本文将其应用到红树林湿地遥感图像中,针对不同的遥感图像,提出不同的决策方法,对湿地保护监测分类具有重大的理论和实际价值。