蓬勃发展的高光谱遥感对地观测技术为地物探测提供精细化的影像数据，这些数据不但包含了丰富的地物光谱信息，还包含了分辨率越来越高的空间结构信息。作为高光谱遥感的最重要应用之一，地物分类旨在为影像中的每个像素分配地物类别标签。当前，随着模式识别、计算机视觉、机器学习等学科领域的发展，高光谱遥感图像的地物分类研究取得了快速进展。然而，高光谱数据本身的高维特性、波段之间的高度相关性和混合光谱等问题，再加上数据容量的爆炸性增长，给地物分类带来了新的难题和挑战。因此，有必要提出一些有效的方法和可行的解决方案，解决高光谱图像地物分类中的这些难题。　　本文基于模式识别与机器学习领域内的最新理论与方法，以高光谱图像地物分类中的特征提取方法作为研究切入点，结合张量表示、哈希学习等新方法，开展高光谱图像地物分类中的特征提取方法研究。本文的主要研究贡献如下:　　1.提出了一种基于局部张量判别分析的光谱—空间特征提取方法。该方法首先将光谱—空间特征表示为二维特征张量，然后使用了一种局部张量判别分析的方法，来去除张量特征表示中的冗余信息，这样能得到更具鉴别性的低维特征，最后将提取到的低维特征输入支持向量机进行分类。在局部张量判别分析中，最优的降低维数通过优化方法自动获得，这样就减少了一部分参数选择的计算代价。论文将该方法与三种最常用的光谱—空间特征提取方法进行结合，详细的比较实验验证了该方法的有效性。　　2.提出了一个基于多特征融合的哈希二值特征提取框架。论文第一次将哈希技术引入到高光谱图像分类中来，提出一个基于哈希方法的多特征融合框架，并将它作为一种二值特征提取方法对融合的多特征进行降维与压缩，然后基于得到的二值编码特征进行高效的地物分类。由于二值编码特征的优点，使得特征在存储空间上降低了几百倍，同时在地物分类的时间上降低了至少两个数量级。详细的对比实验验证了该方法的有效性。此外，论文还细致地分析了基于哈希方法的二值特征提取在高光谱图像分类任务上的优缺点及应用潜力。　　3.提出了一种基于结构化稀疏学习的二值特征提取方法。该方法的目标主要是针对多特征组合而成的高维特征，生成紧致而具有鉴别性的二值特征。论文首先将哈希二值编码问题建模为一个约束的线性分类问题使得二值特征能最大化分类精度，然后考虑在哈希变换矩阵上应用结构化的稀疏约束来更好地处理特征冗余问题，同时应用结构化的组稀疏约束建模不同模态特征之间的结构化信息。实验结果表明该方法不仅能生成非常紧致的二值特征，还能极大地提高这些二值特征的鉴别能力，从而获得较高分类效果。