不断发展的遥感技术能够详细、立体、高效地反映农林植被、大气和环境监测等不同领域的资源分布情况,让人们可以从多维角度和宏观角度去了解世界,同时高光谱遥感图像的应用得益于遥感成像技术的发展与成熟。高光谱图像具有信息量大的特点,且其不同波段对各类地物的穿透性各有差异,可挖掘地物细节信息;而且具备更新速度快的优势,能动态监测环境及研究地物变化规律;同时在其获取信息过程中,具有受限条件少,用途广及效益高的特点。因此,很多人类无法实地考察的恶劣环境可以通过遥感技术获得及时的、宝贵的遥感影像资料,高光谱遥感图像由此成为人类重点的研究对象。然而,如何准确地从高光谱图像中获取重要的特征并实现高效的分类仍存在难点。由于高光谱图像波段多,且存在信息冗余和维数灾难的现象,往往会导致分类精度较低。因此,高光谱图像分类处理前的特征提取预处理操作至关重要。本文以具有波段信息量大、波段间强相似性及图像空间相关性等特点的陆地高光谱图像数据作为研究对象,以图像数据的分类精度作为目标,研究面向高光谱图像数据的半监督特征提取方法,主要从以下三个方面进行展开:(1)总结了高光谱图像的成像原理及其波段特点,同时由于高光谱图像具有多维性和信息高冗余性的特点,分析了现有特征提取方法的可行性和有效性。虽然高光谱图像类标信息获取较困难且成本很高,但由于半监督学习的进一步发展,使半监督提取高光谱图像特征的过程更加容易且大大降低了提取成本,并提高了提取特征的准确率及分类效果。(2)提出了考虑空间相关性的高光谱图像半监督LPP特征提取方法。根据LPP算法的局部保留特性来提取高光谱图像的特征,但是该算法只考虑了图像的光谱相似性。而高光谱图像既存在光谱信息又存在空间信息,且其存在同物异谱、同谱异物的现象。因此,基于半监督思想,本文利用图像数据的少量类标信息、光谱信息和空间信息构建考虑同物异谱、同谱异物的像元权重关系,将该权重关系嵌入局部保持的目标函数,利用拉格朗日乘子法对该目标函数进行求解,利用求解的特征向量对高光谱图像数据进行特征转换。实验结果表明,该算法在考虑图像空间信息的情况下,更好地提取了高光谱图像的结构信息。同比有监督特征提取、无监督特征提取以及半监督特征提取,本文算法提取特征后的图像分类精度有所提高。(3)提出了考虑全局和局部结构的高光谱图像半监督特征提取方法。从高光谱图像结构分析,全局结构和局部结构同样重要,全局结构体现图像的整体信息,局部结构反映图像的局部细节信息。本文算法在前面考虑空间相关性的半监督LPP算法基础上,又考虑了高光谱图像的全局结构,分为三步:首先,利用LDA算法的散度矩阵挖掘有类标样本的全局类内判别和全局类间判别信息,采用半监督PCA算法保留训练样本数据的全局结构;其次,由于半监督LPP算法邻域参数选择难的问题,本文通过稀疏表示优化模型自适应选取训练样本间的内在局部流形近邻点,同时结合局部类内判别权值与局部类间判别权值保存训练数据的局部结构。最后,将这两部分嵌入全局判别与局部稀疏保持半监督特征提取算法的目标函数中,使得特征提取后得到更有效且更具代表性的特征。实验结果表明,该算法在同时考虑全局信息和局部信息的情况下,较好地提取了高光谱图像的特征信息。