近年来随着遥感技术的迅速发展,越来越多高性能传感器被应用于各类遥感图像的获取工作中,使得遥感图像的空间分辨率、光谱分辨率都得到了一定程度的提高,产生了体量庞大、类型多样的遥感图像数据。其中高光谱数据由于具有较高的光谱分辨率,能够获得地物的光谱信息,具有图谱合一、识别地物能力强的优势,成为地物分类常用的数据来源之一。在分类的工作中,实际问题的复杂性导致直接训练强分类器（如神经网络）的难度较大。弱分类器（如决策树）的训练难度较低,但通常难以获得符合要求的分类精度。近年来,随着人工智能领域中机器学习技术的进步,特别是集成学习技术的不断发展,利用多个弱分类器的组合模型来解决分类问题成为了一种可能的思路。AdaBoost（adaptive boosting自适应提升）是集成学习领域中广泛使用的方法之一,算法的集成策略是构建加权组合模型。将集成学习技术应用到遥感图像分类工作中具有一定的可行性和研究价值。本文主要基于AdaBoost集成方法,使用分类回归树、卷积神经网络作为基础分类器,研究其在高光谱影像分类中的应用。主要工作如下:（1）基于AdaBoost方法在决策树组合模型中引入样本权重和决策树权重,对决策树进行加权组合,在两套数据集上的整体分类精度分别为0.8670与0.7982,优于对比算法。（2）通过像素对（Pixel Pair）方法进行训练样本扩充,避免小样本数据导致的训练不充分问题。基于AdaBoost方法对卷积神经网络进行集成,在两套数据集上的整体分类精度分别为0.8284与0.8396,优于对比算法。