随着地物观测技术的发展,遥感技术已经广泛的应用到各类领域之中,其中在农业方面的应用尤为广泛。高光谱应用的核心部分就是对图像进行分类,如何快速、准确的对地物进行分类是图像分类的研究重点之一。传统模式识别的分类方法中要求样本趋于无穷大时,分类器才能得到最优的分类性能。而现实中很难满足这一要求,特别是高光谱图像波段数多、维数高、数据量大、样本小等特点使得分类技术面临巨大的挑战。为了得到最优的分类结果,本文采用基于支持向量机的分类方法对高光谱图像进行分类研究,主要内容包括：首先,介绍了本文的研究背景,从高光谱图像分类的常用方法中介绍了研究现状和之后研究人员对各类方法做出的改进。再从高光谱图像的基本理论和数据的不同表达形式分析了高光谱的数据特点。对高光谱图像分类流程做出简述,并指出在分类过程中容易产生的一些问题,为之后的研究提供一定理论基础。其次,从图像的分类流程中介绍了对图像进行降维的预处理。针对高光谱图像中较多的非线性结构,本文采用IISOMAP-LLE流形算法对图像进行降维处理。通过实验证明该方法在可行性基础上更好的得到隐藏杂草间的非线性结构。再对常用的非监督分类和监督分类进行分析,从实验中对比各个分类方法的优劣性能。最后,介绍基于支持向量机杂草图像分类,支持向量机方法在小样本、非线性和高维特征中都有较强的分类特性。支持向量机中关键的部分就在于核函数,最常见的核函数主要有：线性核、多项式核、径向基核和Sigmoid核四大类,通过对常用核函数的分析可以得知核函数主要拥有的两大特性是全局性和局部性。通过将不同核函数进行组合形成新的核函数,将这些核函数组合与常用核函数应用在支持向量机中,通过实验对比可以知道将全局特性的多项式核与局部特性的径向基核结合在一起时能得到最好的实验效果。新的组合核函数学习能力较强,能更好的利用高光谱图像中的特征信息,为高光谱图像在农业中的应用提供了一定的帮助。