高光谱图像最大的特点就是它同时包含了空间特征和光谱信息,这使它能够更精确的对地物进行识别。因为空间信息的引入能大大提升高光谱图像的分类精度,因此,目前空谱分类方法已经引起了大批研究人员的关注,但是,随机采样方法会引起训练样本和测试样本在空间域和特征域信息的高度重叠,导致分类精度虚高。最近有研究提出了一种更符合实际应用环境的非重复采样方式,现有分类算法在此种采样方式下识别性能会大幅降低。针对该问题,本论文对非重复采样策略下的分类方法进行了深入的研究,提出了两种基于改进协作表示的方法和一种深度学习模型来改进高光谱图像在非重复采样下的分类精度,具体内容如下:1、提出一种基于协作表示和集合间距离的分类方法,首先,分别通过非重复采样和超像素分割获得训练集集合和测试集集合;然后,通过压缩全部训练集以减少计算复杂度并且引入核技巧使样本近似线性可分;最后,对每个测试集集合进行凸包建模并将该凸包用所有训练集协作表示,然后通过计算测试集和各训练集集合的距离完成分类。2、提出一种基于空间正则项约束的协作表示方法,该模型有效地融合了光谱和空间信息。为了能够更充分的挖掘空间特征,在基于协作表示的分类模型中设计两个正则化项:一个是关于光谱相似性的约束,另一个是关于空间相似性的约束。因为改进后的目标函数依然是一个无约束最优化问题,所以可以简单地用最小二乘法求出一个关于表示系数的解析解。最后再通过最小化测试样本的预测误差确定其标签。3、提出一种基于原型网络的分类方法。首先,通过训练一个二维卷积神经网络来学习一个度量空间,该度量空间通过这个二维卷积神经网络实现了参数化;然后,通过计算训练样本与每类原型欧式距离的softmax更新模型;最后,用训练好的模型提取测试集的特征并完成分类。本文使用公开的高光谱数据集进行实验验证,实验结果充分证明了这三种高光谱图像分类方法在非重复采样下的有效性。