机器学习能够通过预先构建模型和设计算法，学习数据中内在的规律性信息，获得新的知识，实现对未标记样本的处理。经过五十多年的发展，机器学习的研究得到了快速发展，并取得了令人瞩目的研究成果，同时也面临许多挑战。标记样本的不足就是其中之一，如果没有充足的标记样本，则给从数据中学习内在规律带来了困难。相对于标记样本，在实际中获取大量未标记样本是容易的，而半监督学习能够结合有限的标记样本，充分利用数据中大量未标记样本所包含的信息，来提高各种学习算法的性能，因此成为当前模式识别和机器学习中的研究热点。对高光谱图像进行分类时，通常只有极少量的标记样本可以使用，为了解决标记样本数目过少的问题，本文基于半监督学习方法，设计了几种有效的高光谱图像分类算法。　　首先，我们使用半监督学习中的标签传递对高光谱图像进行分类。标签传递的主要思想是将标记样本的类别信息传递到未标记样本中。常用的标签传递算法需要构造一个反映样本之间相似性的矩阵，而由于高光谱图像中未标记样本的数目较多，直接利用所有的样本得到的矩阵规模太大，给计算和存储带来巨大的挑战。这里，我们提出一种高维数据一维嵌入的方法，将高维样本映射到一维空间，以降低处理高维数据的计算复杂度。通过标签传递方法，在每次迭代中使用多次一维嵌入和插值，将标记样本的类别信息传递到一部分未标记样本上，直到完成整个分类任务。与其他流行的高光谱图像分类方法相比，所提标签传递方法在极少量标记样本的情况下获得的分类精度具有显著优势。　　其次，提出一种结合空谱信息对未标记样本进行标记的样本选取方案，即在每次迭代中，对一批未标记样本进行标记，相对于每次标记一个样本的方法，能够减少迭代次数，从而加快分类速度。在覆盖城市区域和农业区域的两个不同场景的数据库中的实验表明，相比于当前一些高光谱图像分类方法，所提方法能更有效提升分类精度。　　再次，为了使得在一维空间相邻的样本光谱相似度更高，且来自同一空间区域的可能性更大，设计了一种高效的一维坐标获取算法。该算法是利用局部策略选取标记样本及其空间邻域中的样本点，从而减少需要进行排列的样本数目，达到提高计算效率的目的。实验结果表明该方法不仅减少了分类时间，而且还能有效提高分类精度。　　最后，提出一种面向高光谱图像分类的多尺度空间信息和光谱信息融合的半监督学习算法。针对高光谱图像中均质性区域大小不一致的问题，使用多尺度空间滤波提取空间信息。在后续处理时，考虑到不同尺度空间信息之间的差异，对不同尺度的空间信息分别进行处理，并通过决策层融合的方式达到提高分类精度的目的。实验结果表明，在极少量标记样本的情况下，所提算法的分类精度显著高于各种对比方法。