高光谱图像是雷达成像传感器通过获取大量地物反射的窄带电磁波波段信息所形成的图像，包含了所测地物的光谱信息、空间信息和几何信息。由于高光谱数据的庞大和复杂性，图像中的每个象元代表的物质类别不能完全依靠人工识别，因此，高光谱图像的分类技术就成为高光谱图像处理技术中重要的一环。随着传感器技术的发展，高光谱图像的分辨率得到很大的提高，于是人们尝试使用各种方式把高光谱图像的谱域信息和空域信息融合在一起，通过两种信息的融合来提高图像分类的精确度。　　近些年，Yuliya Tarabalka等人提出了基于划分聚类的空谱信息融合的图像分类算法，利用图像分割技术，把图像分割成许多个同质区域，同一个区域的样本用同一个类标标示，克服了分类图中的椒盐噪声的问题，但是也造成了边缘区域样本的分类错误。　　针对上述分类算法的不足，本文提出了基于多层次划分区域的分类算法。算法的特征在于：　　（1）提出了一个多层次划分区域的算法结构。算法在把图像分割成多个单一属性区域的基础上，把图像进一步划分为地物边界区域和地物非边界区域。按照多数投票准则，对每个单一属性区域，其内部所有的样本均用内部多数样本的分类结果进行标记；而属于边界区的样本则采用主动学习算法进行分类，使得算法的分类处理更加具有针对性。　　（2）提出了表性准则一个新的表现形式。为了选取性价比更好的新标记样本，主动学习算法采用代表性准则的目的在于，避免主动学习算法在样本选择中选取了噪声样本和代表性低的样本进行标记。代表性准则新的表现形式利用了快速聚类的思想，计算了在高斯核的加权作用下样本所处的球状空间的“密度”，通过样本的“密度”值来评估样本的代表性。　　在实验中，我们分析、对比了原始方法和改进后的方法在分类精度上的差异，通过实验证明，本文提出的方法能够获得更好的分类效果。