由于高光谱不同波段之间的差异性,可以更好的用来分类和目标检测,所以高光谱遥感技术在环境检测、军事、精细农业和矿物学等领域都占据着重要地位。因此对其分类是图像理解的前提。随着遥感探测技术的发展,光谱分辨率和空间分辨率不断提高,这在增加信息的同时也带来了一些难题。例如:如何提取对分类有效的信息;如何实现不同特征之间的有效融合等等。为了解决这些问题,本论文提出了基于稀疏表示、低秩表示、极限学习机方法,实现对高光谱图像的分类。利用提出的方法在Indian Pines,Salinas Scene和University of Pavia三个高光谱数据集上进行了实验,取得了令人满意的分类精度。本论文主要工作总结如下:1.提出了一种基于多任务的鲁棒联合稀疏表示用于高光谱图像分类方法。由于高光谱图像的内容和背景复杂,类内和类间差异变化大,而多种特征的联合往往有助于解决这些问题。传统的方法是根据稀疏表示原理,通过SOMP进行求解,但是会存在一个问题,一个近邻内不能保证都是同一地物,且特征之间存在差异性,利用SOMP求解就会比较苛刻。所以利用稀疏求解的思想,在选择字典原子时,不仅利用共性找到一个公共的原子,同时利用各自的特性找到更适合自己的一个原子。这样既可以避免一个近邻中元素不是一类,也避免了特征之间的差异性。2.提出了一种基于多特征联合的低秩稀疏表示的分类方法。首先进行超像素分割,在经过多特征提取后,在每种特征下,选择一个超像素块,该像素块在在各自的字典下的得到一个表示系数,并在这些系数上加一个低秩稀疏约束,这样可以充分利用全局和局部信息实现特征的融合。3.提出了一种基于多任务深度学习的极限学习机(ELM)用于对高光谱图像进行分类。结合深度学习的思想,设计一个深层学习模型用于学习更高阶的特征。首先对高光谱图像进行多特征提取,提取后的特征分别进行特征学习,学到的特征并联后作为新的特征,用ELM进行分类。同时为了提高类的可分性,运用线性判别分析(LDA)学习判别信息,最终实现分类。