高光谱遥感图像涵盖了非常丰富的空间域信息和光谱信息,有助于地物的细致识别与分类。但是极高的分辨率导致了数据量冗余、波段数多、相关性强等问题,如果运用传统的方法对原始高光谱数据直接处理,无可避免致使“维数灾难”爆发。故而从原始高光谱遥感图像中怎样充分提取地物有效特征,改善地物分类性能,是当前遥感图像分类研究热点之一。依据高光谱遥感图像结构特点以及在常见的维数约简与分类方法理论支撑下,论文着重从空-谱协同、流形学习、超图学习三个方面研究高光谱遥感图像特征提取及分类。本文完成的主要工作有:(1)对高光谱遥感图像处理的国内外研究现状进行介绍与分析,并重点介绍了几种具有代表性的高光谱遥感维数约简与分类方法,在此基础上介绍了本文实验所采用的高光谱数据集以及反映算法性能的精度评价参数。(2)提出一种空-谱协同流形重构分类的高光谱遥感图像分类(S~2MRC)方法。传统高光谱遥感图像分类普遍是监督学习方法,且仅考虑了光谱域信息。由此,本文依据高光谱遥感图像中地物分布的空间关系提出S~2MRC算法,其凭借少量标记的像元寻求其无标记空间近邻像元来半监督学习,通过计算测试像元在每一类子流形上的重构误差来表征相似性,实现鉴别分类。在Indian Pines scene、Pavia University scene高光谱遥感图像数据集上的实验结果表明,本文方法的分类精度在各种条件下要优于其他分类算法,特别是在训练样本数量较少时仍表现了较好的地物鉴别能力,更具有实际应用价值。(3)提出一种空-谱协同正则化稀疏超图嵌入(SSRSHE)算法。传统基于图嵌入的高光谱图像维数约简算法大都仅利用光谱信息表示像元间一阶关系,忽略了像元间的多元几何结构。鉴于此,本文提出SSRSHE方法,首先采用稀疏表示揭示像元之间的相关性,自适应选择近邻,并结合样本数据的类别标签构建稀疏类内超图和类间超图,以有效表征像元间的复杂多元关系。然后利用遥感图像空间一致性原则,计算局部空间邻域散度来保持样本局部邻域结构,并引入样本总体散度来保持高光谱数据的整体结构。在低维嵌入空间中,尽可能使类内信息聚集、类间信息远离,提取鉴别特征以提高分类性能。由在Indian Pines scene、Pavia University scene、Kennedy Space Center scene高光谱遥感数据集上实验结果可得知,SSRSHE算法相比传统维数约简算法,该算法可有效改善高光谱遥感图像地物分类性能。综上所述,本文主要从流形学习和超图学习两方面研究了高光谱遥感图像空-谱协同信息特征提取与分类算法,提出了空-谱协同流形重构高光谱遥感图像分类算法和空-谱协同正则化稀疏超图嵌入方法,并在公开的高光谱遥感图像数据集上进行实验,验证了本文所提方法的有效性,可以明显获得较优的分类精度。