高光谱图像技术作为对地观测的一个重要手段,它克服了单波段以及多波段遥感影像的特征维度低、包含的地物信息少的缺陷,为近现代的军事、农业、航海、生态环境等领域做出了巨大的贡献。高光谱图像最大的特点是图谱合一、光谱分辨率高,这些特征为地物目标识别提供了有力的依据。但是,在起初的分类处理中,学者们仅利用光谱信息而忽略了空间信息,得到的分类结果并不是很理想。同时,现实中有标记样本的获取需要付出很大的代价,如何在小样本情况下获得理想的分类效果就成为了学者们的研究方向。基于支撑矢量机(Support Vector Machine,SVM)的主动学习可以很好地解决这个问题,其通过不断的学习,选取出少量的富含信息的已标记样本,使得分类器的性能得以快速的提升,但是传统的主动学习在选取样本时候仅使用了光谱信息而忽略了空间信息。因此,本文提出了以下几种主动学习和空谱信息结合的分类方法,旨在利用更少的已标记样本获得较高的分类结果。具体的内容安排如下:(1)提出了一种基于区域划分的主动学习(Active Learning,AL)和半监督学习(Semi-supervised Learning,SSL)结合的高光谱图像分类方法。在算法中,首先利用区域划分策略将分割图中的所有区域块划分为可信区域和不可信区域两部分,然后在每一个区域块中分别选取一个样本,对于不同区域选取的样本利用不同的方式进行标记,进而将整个学习过程划分为主动学习和半监督学习。该方法在选取样本的时候同时考虑了空间信息和光谱信息,使得选取的样本更具有代表性,达到了在标记样本很少的情况下获得很高的分类精度的效果。(2)提出了一种基于改进的主动学习和邻域信息结合的高光谱图像分类方法。在算法中,首先选取出分割图的边界轮廓中具有代表性的样本,这些样本是富含信息的,可以快速地提升分类器的性能。然后执行改进的主动学习过程,此过程与传统的主动学习一致,唯一的差别是改进的主动学习过程中加入了测试样本预处理的步骤,目的是增加前期选取的具有代表性的样本的选取概率,使得选取的样本能最大限度地提升分类器的性能。最后加入邻域信息,对前期得到的改进的主动学习的分类结果进行矫正,使得最终得到的分类精度可以达到我们预期的效果。(3)提出了一种基于分割结果矫正的高光谱图像分类方法。该方法是针对传统的空谱结合的方法中那些像素数较少以及混合像素较多的区域的分隔标签不可靠的问题提出的,改进的方法是将分割图中的区域的邻域区域作为参考,通过融合某一区域的统计信息以及该区域的邻近区域的统计信息得到该区域最终的分割标签,其中,该区域的邻域区域是通过模糊C均值(Fuzzy c-means,FCM)计算得到的。此融合过程不仅考虑区域自身的统计信息还参考了该区域的邻近区域的统计信息,使得那些像素数少以及混合像素较多的区域得到的分割标签更加可靠,进而提高最终的分类精度。