半监督降维是近年来半监督学习领域的研究热点之一。当今流行的半监督降维方法可以分成三类:基于类别标号的方法、基于成对约束的方法和基于其他监督信息的方法。其中,成对约束指的是两个样本是否属于同一类别的一种约束关系,由于它比类标号更易获取,因此越来越受到研究者们的重视。另一方面,降维是超光谱图像分类的一个重要的步骤,已经有很多超光谱图像降维方法,这些方法大概可以分成两类,特征提取和特征选择。而现有的方法大多是有监督的,或者无监督的,半监督超光谱图像降维还是一个较新的领域,只有很少的研究工作。因此,本文对基于成对约束的半监督降维方法进行深入研究,并将其应用于超光谱图像分类中。本文的主要创新和研究工作有三点,分别如下:(1)对现有的半监督降维方法进行综述,并在大量的标准数据集上对这些方法的性能进行实验比较,并据此得出一些经验性的启示。(2)提出了一个基于成对约束的半监督超光谱图像降维框架。更进一步,在该降维框架中引入稀疏表示的思想,提出了一个新的半监督特征提取算法SSDRsp。在超光谱图像数据上的实验结果显示了我们提出的方法的有效性。(3)在Constraint Score算法的基础上,提出了基于稀疏结构的半监督特征选择算法Semi-SS。最后,比较了现有的一些方法在超光谱图像数据上的性能。