随着技术的发展,传感器的分辨率逐渐提高,获得的高光谱图像可以提供更加详细的特征类别信息,其分类技术已成为遥感领域研究的重要组成部分。人们一直在不断优化和改进分类器并取得了良好的效果。然而,由于高光谱数据的高维非线性,波段之间的高相关性以及较少的标记样本等一系列因素,对高光谱图像的分类提出了重大挑战。因此,由于已标记样本很少,如何准确并且快速地将高光谱图像进行分类逐渐成为研究的热点。半监督算法不仅利用已标记样本的信息,还利用未标记样本的信息来缓解训练样本引起的欠拟合问题。针对上述问题,本文在改进分类器的基础上,深入研究了半监督算法,提出了一种新的半监督分类算法。1、提出一种结合波段选择的半监督分类算法。该方法首先通过波段选择方法,去除高光谱图像中的冗余信息,进而降低复杂度和提高泛化能力;然后通过差分进化算法交叉变异未标记样本,并选择具有高置信度的样本扩展到已标记样本组中以提高分类准确性。实验结果表明,该方法能够有效地提升在小样本情况下分类器的分类精度与分类速度。2、在波段选择的基础上,提出一种结合空间信息的半监督分类算法。利用实际地物在一定区域内具有空间连贯性的特点,同时将空间信息融入分类算法中。在对空间信息的使用上,该方法首先通过选择邻域样本的方式来扩充训练集;然后使用具有空间信息的分类器进行训练;之后将分类结果结合邻域信息进行修正从而提高分类精度。实验结果表明,该方法可以在小样本条件下进一步提升分类器的分类精度与分类速度。