高光谱图像分类是高光谱遥感技术中重要的研究课题之一,但高光谱图像多波段多信息的特性所带来的数据冗余、维数过高等问题给高光谱图像分类带来了巨大的挑战。因此,如何高效的提取和利用高光谱图像数据变得尤其重要。近年来随着超限学习机(Extreme learning Machine,ELM)的提出,因其学习效率高,泛化能力强的优势迅速进入了研究学者的视野。光谱空间内核ELM(Spectral and Spatial Kernel ELM,SSKELM)是传统ELM算法的改进,在高光谱图像分类任务中有着较高的分类精度。现有的SSKELM算法虽然利用了高光谱图像的空间信息,但未考虑空间信息冗余所带来的噪声干扰问题。针对以上分析,本文基于SSKELM分类算法对高光谱图像特征提取方法进行研究,本文主要工作如下:(1)针对传统SSKELM算法未对高光谱图像空间信息进行降噪这一缺陷,提出了一种基于局部二值模式(LBP)和SSKELM的高光谱图像分类方法。该方法先采用PCA对原始高光谱数据进行降维,然后在降维后的数据上提取LBP特征,再将此特征作为SSKELM分类算法的输入。实验结果证明基于LBP和SSKELM的高光谱图像分类方法是有效的,其分类精度是优于SSKELM以及其他一些高光谱图像分类方法。(2)提出一种基于扩展的多属性剖面特征(EMAP)和SSKELM的高光谱图像分类方法,同样解决了传统SSKELM算法未对高光谱图像空间信息进行降噪的问题。该方法同样是先采用PCA对原始高光谱数据进行降维,然后在降维后的数据上提取EMAP特征,再将此特征作为SSKELM分类算法的输入。实验结果证明基于EMAP和SSKELM的高光谱图像分类方法是高效的,能够显著提高分类精度,并且在小样本情况下分类精度也是较高的。(3)为了进一步提高SSKELM算法在高光谱图像分类中的精度,提出了一种基于LBP和EMAP特征融合的改进方法。该方法在降维后的数据上分别提取了LBP特征和EMAP特征,再将这两种特征进行融合后作为SSKELM分类器的输入。实验结果表明提出的方法是有效的,其分类精度都高于只考虑LBP特征或EMAP特征作为SSKELM算法输入的分类方法,并且在小样本条件下分类精度也是很高的。