高光谱图像的光谱范围从可见光到远红外,包含了数百个波段,光谱分辨率达到了纳米级别。这使得高光谱图像具有其他遥感图像未能拥有的特性,它可以提供地物丰富的光谱信息和特有的物理性状,从而提升了人类认识客观世界的能力。然而传统的遥感图像处理方法运用到高光谱图像领域时有诸多挑战。首先,高光谱图像的光谱分辨率远高于计算机视觉和其他遥感应用中使用的图像。此外,由于卫星和机载平台拍摄的高光谱图像很容易受到照明、阴影和天气等许多环境因素的影响。在这种不完美的情况下,高光谱图像中样本的光谱特征通常相对复杂。这意味着属于同一地物的样本可能具有完全不同的光谱,反之亦然。针对上述问题,本文提出了如下两种基于域变换递归滤波的高光谱图像分类方法:1)由于场景的复杂性和人工标注的不可靠性,高光谱图像分类的训练集可能存在误标记的情况。针对这一问题,本文提出一种基于域变换递归滤波与光谱探测的方法来检测并纠正错误标记的训练样本,从而提高了后续的高光谱图像分类精度。该方法首先将域变换递归滤波用于特征提取,提高训练样本的可分性。然后,在每个训练集上执行基于约束能量最小化的目标检测操作。最后,根据不同类别的平均检测概率验证或修正每个训练样本的标签。实验结果表明,所提出的方法能有效纠正错误的训练样本,从而提高分类精度。2)域变换递归滤波可有高效表示高光谱图像中物体的光谱和空间结构。然而,单尺度的域变换递归滤波特征不足以提供多尺度空间信息的完整表征。此外,其平滑操作不可避免地降低了不同类别的对象之间的光谱差异,降低部分地物的可分性。针对这些问题,本文提出了一种基于域变换递归滤波和主成分分析的高光谱图像分类方法:首先,将具有不同参数设置的域变换递归滤波器应用于输入图像来构建多尺度边缘保持特征,并且将所得到的多尺度边缘保持特征堆叠在一起。使用主成分分析降低特征维度的同时融合多尺度信息,不仅提高了算法效率,同时提升了边缘保持特征的可分性。最后,由支持向量机分类器对得到的特征进行分类。在多个真实高光谱数据集上的实验结果表明:所提出的方法相对于传统的边缘保持滤波特征提取方法,有效地提高了分类精度。