高光谱图像具有“图谱合一”的特点,光谱与空间信息丰富,因而在地物的分类与识别领域有巨大的应用潜力。然而,数据量大、冗余信息多、“维数灾难”现象以及“同物异谱”和“异物同谱”等问题,极大地影响高光谱图像分类的效率与效果。为此,本文重点关注波段选择及高光谱图像的分类问题。主要研究工作及取得的成果如下：(1)图像分类性能评价指标预测模型研究分类精度的高低是图像可分性大小的直接体现。它们不仅可用于高光谱图像的波段选择,而且可指导波段的有效组合,以提高图像的分类性能。本文从图像分类性能评价指标的定义出发,基于各类地物服从混合高斯分布的假设,建立图像分类性能评价指标的预测模型。从理论上分析了特征分布参数是影响图像分类精度的主要因素。本文所建立的分类精度预测模型仅依赖于特征分布参数,且为参变量的显式表达,因而为无训练样本参与的分类精度预测提供了一种可行的途径。利用ROSIS、RetigaEx、AVIRIS三个高光谱数据集以及GeoEye-1和国产Z3两个多光谱数据集进行实验,结果表明,预测模型输出结果与分类方法所得分类精度具有很强的一致性。(2)基于总体精度排序与K-L距离分析的非监督波段选择方法研究非监督波段选择方法算法复杂度低,但由于无训练样本的参与,难以得到直接体现波段可分性的准则。考虑到总体精度可以反映各波段的可分性,本文首先基于总体精度预测模型,提出了一种非监督的总体精度预测方法。为了实现了可分性与冗余度准则的在波段选择过程的结合,提出了基于总体精度排序与K-L散度分析的非监督波段选择方法(OCPE)。相比其它非监督波段选择方法,由于考虑了波段的可分性,这种方法更具能体现面向分类的特点。利用ROSIS和RetigaEx数据集进行实验,结果表明本文方法具有明显的分类优势。(3)总体精度与冗余度联合最优的波段选择方法研究为了选择可分性强且冗余度低的波段集合,本文通过引入一个刻画各波段重要程度的指标——波段重要性权重(SW),构建总体精度与冗余度联合最优的目标函数,于是,波段选择被转化为带约束的优化问题。在该目标函数中,为了协调总体精度与冗余度,设计了与所选波段数目l成正相关的自适应权衡参数。相比前面所提OCPE方法,这种方法是通过牺牲算法复杂度换取性能。利用ROSIS和RetigaEx数据集的实验结果表明,本文方法性能稳定,在去冗余与保持较高分类精度方面均可达到更好的性能。(4)基于波段贡献率加权的谱域-空域高光谱图像分类方法研究各波段对辨别不同地物的能力存在差异,贡献也完全不同。为了发挥各波段的优势,提高光谱信息的利用率,本文将波段贡献率引入光谱空间,并构建了加权的光谱后验概率模型(Weighted Spectral Posterior Probability, WSP)。为了发挥空间信息的作用,通过自适应的权衡参数,进一步将WSP与空间光滑性约束结合。其中,本文采用F-measure刻画波段贡献率,并提出了一种半监督的F-measure预测方法(Semi-Supervised F-measure Prediction Algorithm, SS-FP)。由于在SS-FP方法中,F-measure的预测是利用整个波段的数据进行的,而不是基于不均衡的有限训练样本,因而避免了训练样本不足或比例不均衡的问题。采用ROSIS、RetigaEx及AVIRIS数据集的实验结果表明,相比最新的几种高光谱图像分类方法,本文所提方法能够有效地提高高光谱图像的分类精度。