高光谱遥感影像具有较高的光谱分辨率,其在光谱域对不同地物具有较强的判别能力,这给遥感影像精确解译提供了新的契机。同时,由于高光谱影像在光谱域及空间域维度高及数据量大的特点,容易加重数据处理的负担并给分类任务带来休斯现象,因此亟需发展更加先进的影像处理方法来对高光谱影像进行处理。此外,由于高光谱影像存在着“异物同谱”与“同物异谱”的现象,单纯利用光谱特征无法有效区分光谱曲线极为相似的不同类地物,也容易将本属于同种地物但光谱特性有所差别的像素划分为不同类别,因此,需要引入纹理、形态学等空间特征来辅助高光谱遥感影像的地物分类。但如何有效地融合这些特征目前仍是一大难题,这就要求我们找到一种有效的融合方法以充分利用各种特征提供的有用信息。为了减轻休斯现象带来的问题,同时有效地利用现有的各种特征,在本文中,我们提出了一种用于高光谱影像特征表征及分类的新型方法——多域子空间(MDS)算法。该方法基于片排列框架。为了最佳地组合来自各个域的各种特征并同时增强融合后子空间的判别性,我们将监督性的标签信息加入到每个特征的模型构造过程中,并进一步将该模型推广到多特征版本。MDS能够将多种特征有效地组合成潜在的判别性子空间,从而有利于后续的高光谱影像分类等任务。此外,我们提出了一种迭代方法,通过将MDS的目标函数视为多个子凸优化问题进行交替优化,从而使MDS算法能够快速地收敛。三幅标准的高光谱遥感影像的实验结果证实了 MDS与其他先进的子空间学习方法相比具有较大的优越性。