当前,高光谱遥感为遥感领域的发展前沿。由于成像光谱仪不断地发展以及日渐成熟,高光谱遥感才得以快速地发展。随之而来的是,获得高光谱图像的水平也渐渐地提升。人们获得的高光谱图像包含数百个狭窄且连续的波段,为识别和分类地物提供了丰富和细微的光谱信息。高光谱图像已经广泛地应用于医学成像,地球监测,资源勘探,城市环境检测等。然而,高光谱的大的数据量、相当多的波段数目、波段之间的相当强的相关性等,这些自身的特点给其在识别与分类方面的信息提取技术造成了巨大的挑战。高光谱图像降维处理与分类技术的研究成为高光谱图像处理的关键问题,已经越来越受到科研工作者的关注与重视。本论文主要对高光谱图像的降维以及半监督分类技术进行研究。本论文总结了国内外学者的科研成果,针对高光谱图像的数据量大、波段数目众多以及各个波段之间相当强的相关性的特点,采用烟花算法,以类内紧性与类间分离性系数(Compactness-Separation Coefficient,CS系数)作为度量准则对高光谱数据进行降维。仿真实验表明,与遗传算法和禁忌搜索算法相比较,该算法在降维后的波段数、总体分类精度、Kappa系数和运行时间方面都取得了较好的效果。针对标准Tri-training算法在初始有标签样本数目较少时,分类器间缺乏明显的差异性,从而影响高光谱图像的分类精度这类问题,本论文改进了标准Tri-training算法,提出了增强差异性Tri-training算法的半监督分类。利用不同分类器之间性能的协同互补关系,将支持向量机、随机森林和最近邻分类器引入到标准Tri-training算法中。同时,采用基于标记类别的分层抽样来对无标签样本被标记过量情况进行处理,较好的保证了所抽取的样本子集具有代表性。由仿真得出,从总体分类精度、平均分类精度以及Kappa系数上看,本论文提出的算法优于标准Tri-training算法。