高光谱图像是含有丰富的空间和光谱信息的高维数据,其在某精密农业、地质勘探、食品安全和环境监测等领域已经有很广泛的应用。但是由于高光谱图像数据本身存在着冗余信息过多、并且光谱与光谱间的相似度很高和数据的特征维数过高等诸多特点,因此这会使高光谱图像在分类时具有很大的困难和挑战。本文主要是针对高光谱图像的特征提取和分类方法做了相关的研究。本文的主要的研究内容和成果如下:(1)首先主要介绍了高光谱图像特征提取及分类的国内外现状;其次介绍了近年来常用的高光谱图像的特征提取及分类方法的理论基础,在特征提取的方法中重点介绍了主成分分析和线性判别分析的原理,在分类方法中重点介绍了支持向量机、神经网络、K近邻算法和模糊聚类等方法的原理;最后介绍了常见的高光谱图像分类的评价指标。(2)目前对高光谱图像进行特征提取的研究中,大多数现有的特征提取方法都假定数据集中的标签信息正确,但是这样的假设在实际应用中可能并不总是正确的,这可能会影响特征提取方法和高光谱图像分类的性能。为了解决高光谱图像分类中的这一问题,我们提出了一种基于正则化的模糊判别分析(Regularized Fuzzy Discriminant Analysis,RFDA)的特征提取方法,可以有效利用带有噪声标签的高光谱图像的空间和光谱信息。结果,所提出的方法不仅有效地校正了标签错误的样本,而且还保留了空间域中像素之间的邻域关系以及光谱域中样本之间的基本结构,这有利于高光谱图像的分类。对三个公共高光谱数据集进行仿真实验,然后采用总体精度和Kappa系数对分类结果进行分析,实验结果表明,本文提出的RFDA方法在分类准确性方面优于其他几种特征提取方法。(3)目前对高光谱图像进行分类的研究中,基于传统模糊聚类在高光谱图像分类时,类边界的样本由于隶属两类的隶属度值比较接近,传统的模糊聚类方法是选择最大的隶属度值来决定其隶属的类别。但是也会出现偏差从而导致最终的效果达不到理想的效果。然而直觉模糊集(IFSs)在同时考虑隶属度和非隶属度的情况下,也在描述模糊和不确定数据方面显示出了优势。但是直觉模糊C均值聚类在涉及多模态和不平衡特征时,通常不考虑单个属性的重要性和数据的结构。使用IFSs处理不确定性的多核FCM(multi-kernel intuitionistic fuzzy C-means,MKFCM)能够达到更高的聚类精度。因此,本文通过引入多核映射,提出了一种基于直觉多核模糊聚类(MKIFCM)的高光谱图像分类方法。对两个公共高光谱数据集进行仿真实验,然后采用总体精度对分类结果进行分析。从实验结果可以看出,相比于传统的聚类算法和基于核函数的聚类算法,我们所提出的MKIFCM方法在对高光谱图像分类时有明显的效果。