高光谱图像是新型的遥感数据，凭借其较高的光谱分辨率，区分微小光谱差异地物的能力，且不需要任何先验光谱信息，因而具有较强的实用性，现已成为目标检测领域中的一个研究热点，受到国内外专家学者的高度重视。本文在深入分析高光谱图像数据结构及特点的基础上，运用一些图像处理手段，针对传统高光谱图像分类算法中存在的分类精度不高、数据的冗余较大、容易产生Hughes现象等问题，做了以下三方面的研究：首先，根据支持向量机高光谱图像分类算法的数学理论，以及该算法存在的缺点，应用相关向量机学习理论与高光谱图像分类相结合，提出基于相关向量机的高光谱图像分类算法。该算法可以有效地克服支持向量机存在的测试时间较长、支持向量个数过多、预测结果输出不是概率性质等问题。通过实验结果表明，相关向量机的高光谱图像分类算法的优点在于可以保证有较高的分类精度，并且降低了相关向量的应用个数等。然而该算法也存在着训练时间过长，分类精度不如支持向量机高光谱图像分类算法等缺点。其次，针对相关向量机算法本身存在的不足，结合概率模型的计算特点，提出改进型相关向量高光谱图像分类算法。该算法在传统概率模型中引入一个新的分布，使得计算复杂度较高的卷积可以近似的拆分成两个较为简单的对数和形式。实验结果表明，VRVM高光谱图像分类算法的总体分类精度和相关向量的数量与RVM基本相同，且训练时间与测试时间均有所降低。最后，针对相关向量机高光谱图像分类算法存在的缺点，结合核函数的特点以及在各个领域中的应用，提出基于小波核函数的两种改进方法：1、应用小波核函数与核主成分分析相结合，对高光谱图像数据进行预处理。实验结果表明，该算法与传统主成分分析的不同在于在降维的同时，可以有效地增加不同地物类别之间的距离，并且增大类间距离与类内距离之比，最后将处理结果应用于相关向量机高光谱图像分类中，分类精度有所增加；2、应用小波核函数代替相关向量机中的传统核函数，提出基于小波核函数的相关向量机高光谱图像分类算法。实验结果表明，该算法可以提高分类精度，并且小量降低训练时间。