高光谱图像技术的不断发展，使我们能够轻松获得丰富的地物信息。而图像分类作为高光谱图像处理之中重要的一环，受到了极大的关注。最小正则子空间分类算法，一种基于线性表达的模型，它将原有的联合表达空间模型引入吉洪诺夫正则因子来用于高光谱数据分类决策，使得整个线性模型对训练数据拟合的更好。　　通过研究发现，在最小正则子空间分类模型之中，存在一些明显不足，基于欧氏距离的吉洪诺夫正则化因子不能从光谱的结构上对光谱的差异性进行有效衡量，同时此模型在建立决策分类时仅仅考虑到高光谱图像数据谱间的特征，造成空间结构信息的浪费等。因此，本文针对这些问题提出三个方面的改进:　　第一，原有基于欧氏距离的相似度衡量不能准确的反映光谱向量之间的关系，特别是相同物质之间，差别细微。通过引入其他光谱相似衡量，如光谱角度衡量，光谱信息散度等，提高了整个算法性能。　　第二，针对目前分类模型仅仅考虑到高光谱图像数据谱间的特征，忽略了高光谱图像中结构信息的重要性，提出了基于谱间和空间信息模型结合的高光谱图像分类模型算法。深入研究马尔科夫随机场模型，将其应用于最小正则子空间分类算法，实现了对图像的不同物质进行更精确的划分。　　第三，依据领域系统，将周围像素结合起来实现对中心的联合表达，同时自适应减弱与中心像素点差异太大的像素对表达的影响，本文中采用高斯模型来呈现整个空间信息的表达。提高了模型的分类性能，为空间结构信息在高光谱图像分类处理中的应用提供一个方向。