随着信息时代的不断推进，航天航空技术得到了迅猛发展。与之紧密相关的遥感科学技术也由传统遥感时代进入到高光谱遥感时代乃至超光谱遥感时代。在拥抱新时代的同时，也给传统遥感图像处理系统带来了前所未有的挑战。随着光谱分辨率的提高，系统存储，传输，分析和处理数据变得异常困难。曾经在传统遥感处理中行之有效的方法手段在高光谱遥感中也捉襟见肘。为了充分地利用遥感大数据，研究新的适用于高光谱遥感的遥感处理方法迫在眉睫。在遥感图像处理中，分类问题是最为重要的问题同样也是最为基础的问题，从遥感发展之初到现在，遥感图像的分类一直是重中之重。针对高光谱遥感的特点，从传统遥感图像分类手段在高光谱的应用角度出发，结合智能优化算法和量子计算的优势，提出了多种基于智能计算的高光谱遥感图像分类方法，主要包含以下三个方面的研究：
　　1、最大似然分类在传统遥感图像的分类中取得良好的效果，但由于高光谱波段众多，数据冗余大，最大似然分类在高光谱遥感图像中的表现欠佳。因此在研究中，首先结合目前高光谱遥感图像多种降维准则，设计了一种结合信息准则和分类准则的适应度函数，通过设计模拟人类认知过程的量子记忆优化机制并结合量子旋转门实现对最优波段子集的优化搜寻，从而实现高光谱遥感图像最佳波段子集的优化，最后利用优化后的数据进行最大似然分类。实验仿真结果证明提出的基于量子记忆原理优化的高光谱遥感图像最大似然分类方法具有分类精度高，运行时间短的特点，更具有工程应用和推广价值。
　　2、随机森林本质是一种集成学习，具有良好的分类性能，但目前在高光谱遥感图像的应用中还有待进一步的推广。因此本文分别从信息论和概率统计两个不相统一的角度衡量高光谱遥感图像的光谱信息，并通过量子旋转门和涡旋优化机制相结合，设计了一种多目标量子涡旋优化算法，并结合随机森林分类方法的特点，提出了一种多目标量子涡旋优化的高光谱遥感图像随机森林分类方法。通过实验仿真分析，在印第安纳州农场高光谱遥感实验数据中分类性能更佳。
　　3、高光谱感图像具有图谱合一的特点，但目前相关领域的研究很少能有效地利用这一点。在研究中发现，从不同角度出发，能够获得高光谱遥感图像多种信息，因此从高光谱遥感图像的多种降维准则入手，设计了两组多目标优化函数；并模拟自然界物种形成过程提出了一种基于物种进化的多种群智能优化算法框架，将多种智能优化算法纳入到该框架中，以不同的优化目标模拟物种进化中的不同环境，并通过隔离与分化以及传承和进化机制完成对不同目标的优化，并以此为基础，提出了基于多种群智能优化的高光谱遥感图像多随机森林分类方法。通过实验仿真分析证明所提出的新方法具有更佳的分类性能。