在高光谱遥感影像的分类中，降维算法越来越受到重视，而降维的主要目的就是获取样本的有效判别特征。就降维而言，存在一些主流的流形学习算法，如局部线性嵌入(LLE)算法、等距映射(ISOMAP)算法以及拉普拉斯特征映射(LE)算法。然而，许多流形学习算法存在一个不足，即需要计算冗余矩阵的特征分解问题，且这种计算耗时，耗内存。论文介绍一个新的降维算法，即谱回归判别分析(SRDA)算法。　　论文以SRDA算法为核心，首先介绍了高光谱遥感影像分类领域的一些基本知识以及研究现状；其次，对SRDA算法的原理以及算法的流程进行具体阐述；再次，结合其他一些主流的降维算法，如主成分分析(PCA)算法、核主成分分析(KPCA)算法、邻域保持嵌入(NPE)算法以及线性判别分析(LDA)算法，对实际情况下的高光谱遥感影像数据进行降维处理，然后利用K近邻分类(KNN)算法将降维后的数据进行分类，并计算各类算法下的分类精度，绘制识别率曲线；最后，为了进一步验证SRDA算法的优势，使用三种不同的分类器对降维后的数据进行分类，计算不同分类器对应的识别率。SRDA算法与其他几种算法相比，有以下优势：第一，SRDA算法将学习嵌入函数的问题转入回归框架下，且不需要求解冗余矩阵的特征分解问题；第二，基于回归框架，各类正则化规则可以很好地嵌入SRDA算法中，使得算法更为灵活；第三，该算法可以有效利用数据点来发现数据点内在的判别结构，方便计算。　　实验结果表明，SRDA算法识别精度高，而且能够节约时间以及空间成本，同时与各类分类器的融合能力较高，在高光谱遥感影像分类领域中优势明显。总之，SRDA算法具有重要的理论价值与实际意义。