随着遥感技术的改进和成像光谱仪技术的不断改良,高光谱图像在众多领域得到广泛应用。但是,正因为高光谱图像具有几乎几百的波段数,数据量大的特点,随着成像光谱仪获得的光谱分辨率的提高,使得在对原始数据利用传统的算法进行处理时,往往会遇到计算时间很长,传统算法的适用性受到限制。目前很多算法都已经得到验证并且应用性很强。为了解决以上问题,采用对原始高维特征空间进行降维的手法。另外,高光谱数据在利用成像光谱仪获取时,不可避免地会获取非线性的信息,传统的线性特征提取算法显然不能获取这些非线性因素,而基于核的算法由于其物理意义不清晰及存在计算复杂度过高等问题。近年来,流形学习和稀疏表示理论是研究的热门,本文首先分析传统的算法的优劣,提出了几种改进的算法并且对上述问题进行了有深度的研究。本文的研究工作如下:首先,对高光谱图像的特征提取算法进行研究,详细的总结了传统算法的理论,计算过程,利用真实的高光谱地物信息进行实验,验证算法是否能够优于经典算法。然后,针对目前半监督特征提取算法中存在的问题,提出一种新的半监督局部稀疏嵌入特征提取算法。克服了经典稀疏表示求解稀疏系数的算法复杂度问题并能够在快速的求解稀疏图的同时保持数据的局部几何信息。针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效的获取标签数据的局部信息,提出一种新的不用考虑如何选取近邻参数的半监督局部稀疏嵌入(SELSE)算法对高光谱图像进行特征提取。算法基于模式识别和图像处理领域的信号的稀疏变换理论,通过求解范数优化问题得到稀疏系数从而构建样本点间的邻域图,并且利用少量的已知标签的高光谱数据信息来最大化类间信息。通过实验分析比较了所提算法与传统半监督算法间计算时间和分类精度等各项指标,得出结论:该算法获得较好的分类精度,遗憾的是,同时计算时间略有增加。最后,考虑到半监督算法需要事先知道原始数据集的先验知识,而无监督算法则不需要,然而目前基于流形学习的无监督算法只能够单独的描述局部或是全局的几何结构,尚且没有一种算法能够同时保持全局和局部的几何结构,为此提出一种基于全局和局部流形结构的无监督特征提取算法——(Global and Local Manifold Strcture Feature Extraction Algrithm,GLMS)。可以通过构造图嵌入的模型来同时保持不同类的几何结构,全局和局部。实验证明由于同时考虑到数据间局部和全局的几何结构,在分类性能这一指标上优于其他传统的流形学习算法。