由于高光谱图像中包含着目标区域内地物丰富的光谱信息,传统的分类方法可根据不同地物之间光谱信息所存在的差异对地物进行较为精确分类。然而,伴随着成像光谱技术的快速发展,高光谱图像不仅具备高的光谱分辨率,同时也具备较高的空间分辨率。因此,本文结合高光谱图像的光谱信息和空间信息,提出了两种不同的分类方法,并利用两组真实的高光谱数据集进行仿真实验,验证了方法的有效性。主要研究内容可以总结为以下两部分:1.结合高光谱图像像元的光谱信息以及空间邻域信息,提出了一种基于卷积稀疏表示的分类方法。不同于传统的稀疏表示模型将测试样本通过冗余字典内相关原子之间的线性组合来近似,本文结合卷积稀疏表示模型,利用滤波字典及其对应的响应特征的卷积总和来逼近加入了空间邻域信息的测试样本。通过卷积表示可将像元光谱中谱段之间潜在的信息很好地保存下来,且由于卷积所具有平移不变性,滤波字典中各滤波器的维度要远小于冗余字典中原子的维度,从而可以减小字典的冗余程度。除此之外,通过将模型所求解出的各像元对应的高维特征响应值代替原始光谱信息以增强可分性,从而提高分类性能。2.为充分利用高光谱图像的空间纹理信息,提出了一种基于组合核函数的分类方法。与直接将原始数据的光谱信息与空间信息进行空谱联合的传统核分类器不同,本文提出的方法首先采用主成分分析法对原始数据进行降维,利用Gabor滤波器得到图像的三维Gabor特征,再使用组合核函数在三维Gabor特征空间上进行“空谱”联合用于支持向量机分类器。该方法不仅提高了对空间纹理信息利用的灵活性,而且从一个新颖的角度成功地应用了核方法。