高光谱遥感图像具有很高的光谱分辨率和地物鉴别能力，已广泛应用于农业、生态环境、国防等领域。由于高光谱图像波段多、数据量大，传统的遥感图像分类方法不合适高光谱图像分类。本文在高光谱遥感图像降维处理的基础上，采用新型神经网络方法，对航空OMIS-I高光谱遥感影像进行详细的分类实验。首先，采用核主成分分析（KernelPrincipal Component Analysis，KPCA）方法和遗传算法（Genetic Algorithm，GA）对高光谱遥感图像进行降维处理；然后；采用传统遥感图像分类方法（ISODATA、SVM）、传统神经网络（BP）、新型神经网络方法分别进行分类对比实验；最后，采用混淆矩阵和制图精度进行分类精度评价。论文的主要研究工作和成果包括：（1）高光谱遥感图像降维处理。论文主要采用核主成分分析（KPCA）和遗传算法（GA）两种方法进行了降维。KPCA方法尽管降维后的物理意义不明确，但是对于不符合高斯分布的数据，KPCA能获得较为理想的效果，因为KPCA是一种非线性降维技术。遗传算法降维属于波段选择的范畴，采用遗传算法进行波段选择时，尽管时间复杂度不是很低，但是能够找到比较理想的特征波段用于后继工作的分类。（2）传统遥感图像分类方法与新型神经网络方法的对比。首先采用SVM和ISODATA方法对OMIS-I高光谱图像进行分类，然后将分类结果与新型神经网络方法对比，结果表明新型神经网络方法比传统遥感图像分类方法效果要好。（3）应用新型神经网络方法对高光谱遥感图像进行分类实验。首先采用传统的BP神经网络算法对高光谱遥感图像进行了分类，分类结果显示，普通的BP网络分类结果并不理想。在此基础上，引入了模糊网络、小波网络、极限学习机、Adaboost网络、架构网络、基于遗传算法的神经网络等网络进行遥感图像的分类，然后与普通的BP网络进行对比。主要选择了2个指标进行对比：一个是制图精度，另一个是时间复杂度。实验表明新型神经网络方法比传统的神经网咯方法分类精度要搞。在制图精度上，Adaboost网络、模糊网络和基于遗传算法的网络的精度最高。而在时间复杂度上，极限学习机的效率最高，这是因为极限学习机不需要进行反复的迭代，而且不会陷入局部极小。但是这些新型的神经网络依然存在着一些缺点，例如Adaboost网络的计算量太大、遗传网络的计算太复杂且计算量太大、而极限学习机则容易出现过拟合等等。