高光谱遥感已成为地球观测乃至空间探测的重要手段。高光谱图像具备“图谱合一”的特点，在捕捉详细光谱信息的同时能够提供观测场景的空间分布，为更加准确地辨识感兴趣地物类型提供了巨大的潜力。因此高光谱图像空-谱分类作为遥感图像分析的核心手段，一直以来都受到极大的关注和研究，并广泛应用在国民经济的相关领域，包括自然资源调查、精细农林业、城市土地利用规划和环境保护等。近年来，随着高光谱传感器的小型化和无人机的普及，高光谱图像的空间分辨率不断提高，对同一地区的重复观测也变得更加便利。当前高光谱遥感图像分类面临三方面主要科学问题：高光谱图像空-谱多维度特征异构性、高空间分辨率下地物空间结构复杂性、不同观测条件下跨时相高光谱成像导致的光谱不确定性。针对以上科学问题，基于多核学习理论，本文分别从像素级高光谱图像空-谱分类、对象级高光谱图像空-谱分类、跨时相高光谱图像迁移分类三个方面展开研究工作，主要研究工作包含以下内容：
　　(1)针对像素级分类中高光谱图像空-谱多维度特征异构性问题，考虑到特征间非线性关系，研究了一种基于空-谱多特征非线性多核学习的异构信息融合分类方法。首先利用多尺度多结构元素对高光谱图像几何结构进行表征，实现高光谱图像多形态学轮廓特征提取；进一步利用每一个形态学轮廓特征构造线性基核，设计了一种基核非线性组合学习算法，通过基核非线性耦合来有效挖掘特征空间中不同尺度间、不同结构间的相似性和判别性信息，实现不同尺度、不同结构的空-谱特征融合，提高样本相似性度量能力，较大提高了分类性能。
　　(2)针对像素级分类中高光谱图像空-谱多特征分类判别能力的解译问题，研究了一种基于类指定稀疏多核学习的异构特征解译方法。由于从高光谱图像中所提取的不同尺度、不同属性空-谱特征，对于分类任务具有不同的作用，如何辨识和分析不同空-谱特征的分类判别能力，是高光谱图像分类中一个重要问题。首先，利用不同尺度多类型属性滤波器获取图像的多级空-谱特征并生成对应的高斯基核；进一步，提出一种组稀疏约束下的类指定稀疏多核学习方法，能够通过对不同特征对应基核的权重学习，认知不同空-谱特征对于给定类别最终分类性能的贡献度，从而实现类别分类性能导向的特征选择和特征解译，同时可实现在确保分类性能的情况下剔除冗余特征。
　　(3)针对高空间分辨率条件下对象级高光谱分类面临的地物空间结构复杂性问题，研究了多属性超像素及超张量模型，实现对高空间分辨率高光谱图像空-谱特征的自适应精细提取。高空间分辨率条件下，高光谱图像中地物类别边界更加清晰，使得利用空间特征实现地物类型精细化分类成为可能。而地物呈现出的空间形态更加精细，导致传统基于窗口的特征提取方式不再适用，同时更加丰富的纹理会引起较为严重的过分割现象。本文首先在高光谱图像多属性轮廓特征提取基础上进行超像素分割，削弱空间细节特征对分割产生的影响；其次，在提取多属性超像素间的特征时引入一致度准则对相似的超像素进行合并，确保所合并的超像素同地物类别多对一映射关系的正确性，从而提高分类精度。在多属性超像素基础上，构建了多属性超像素张量模型，对每一个多属性超像素进行张量表示，提取统一维度的特征，不仅保持了超像素所带来的空间结构的自适应和均一性，而且考虑了超像素各个维度间的耦合关系，有利于提高分类精度。
　　(4)针对不同观测条件下光照、大气、传感器差异带来的光谱不确定性问题，研究了一种基于空-谱多测地线流核学习的域自适应分类模型。不同时相获取高光谱图像时，光照、大气条件或不同传感器等因素的不确定性导致跨时相高光谱图像存在较大光谱差异，与此同时，高光谱数据地物标签获取困难。本文研究了同场景、跨时相高光谱数据的域自适应分类方法，利用源和目标域相对应的每一对空-谱特征构造多个测地线流及相应的非线性测地线流基核，并将多测地线流核嵌入多核学习框架中，将空间特征融合到域自适应分类模型中，挖掘高光谱数据集的本征低维结构，获取其域不变多特征，从而提高域自适应分类的精度。