高光谱影像分类是遥感图像处理领域的研究热点之一,其对于土地覆盖类型研究、环境检测等领域有重要意义。传统的监督式分类方法往往囿于有标记样本少且难获取的问题,亟需新方法的开发与应用。半监督协同学习通过分类器互相提供高置信度的“伪标记”样本加入到训练样本集中,将对有标记样本的需求降到最小,在高光谱分类中有较高的应用价值。然而传统的协同学习算法往往存在初始分类器易受噪声数据的影响以及分类器互相挑选样本产生的冗余问题,容易累积错误信息。本文针对高光谱影像分类中的样本不足和协同学习算法目前存在的问题,充分考虑高光谱影像的数据特点和协同学习算法的适用场景,以提高增选样本的准确性为目标,从数据的先验分布和无标记样本的高置信度判别准则这两个角度出发,对标准协同学习Collaboration-training（Co-training）算法加以改进,提出了两种基于协同学习的高光谱半监督分类方法,期望进一步提升高光谱影像的分类结果精度。通过在Pavia Centre、Salinas和Kenneedy Space Centre高光谱数据集进行测试,取得了较为满意的分类结果,验证了所提出方法的有效性,主要研究内容和结论如下:（1）本文将半监督学习中的协同学习算法应用于高光谱影像的分类任务中,对协同学习算法的理论框架进行了分析与总结,通过理论与实践相结合的方式,将协同学习的典型算法标准Co-training和三体训练（Tri-training）算法用于三种公开高光谱数据集的分类,结果验证了协同学习能在训练样本较少的情况下取得较为理想的分类结果且算法运行稳定;（2）考虑到数据集中噪声样本对协同算法的影响,本文采用局部异常因子（Local Outlier Factor,LOF）离群点检测算法挖掘无标记样本的先验分布信息,检测出全局和局部离群点样本,筛选出信息集中、质量较高的样本交由基分类器进行标记预测。由此提出基于LOF离群点检测的高光谱协同学习分类方法LOF-Cotraining,该方法避免了传统协同学习算法对于大量无标记样本逐个预测置信度所产生的冗余计算量,加快了模型的收敛速度,同时减少了噪声样本的引入。在公开高光谱数据集进行测试的实验结果表明,LOF-Cotraining算法的总体分类精度高于对比算法至少2.0%,在有标记样本较少的情况下可以取得精度较高的高光谱分类结果;（3）针对传统协同学习算法中“伪标记”样本标注准确度较低的问题,本文结合主动学习方法设定增选样本的判别准则,提出基于主动学习标记校验的高光谱半监督协同学习分类方法DC（Double Check）-Cotraining,该方法利用启发式主动学习为协同学习的基分类器各训练出一个标记校验器（Checker）,在样本增选过程中对基分类器给出的预测标记加以二次判别,从而确定置信度较高的伪标记样本加入到训练样本集,由此提高了样本的标注正确率,通过在公开的高光谱数据上进行实验验证了 DC-Cotraining算法的总体分类精度较标准Co-training算法在相同条件下最多可提升7.8%,分类效果改善明显。