高光谱图像分类技术和光谱解混技术在高光谱遥感技术领域占有非常重要的地位,一直是国内外学者的重点研究方向。近年来,随着稀疏表示在图像处理方面的广泛应用,一些学者开始将其应用到了高光谱遥感图像处理方面,尤其是高光谱图像分类和光谱解混方向,已经取得了一些成就。但是现有的基于稀疏表示的图像分类和光谱解混方法只考虑了高光谱图像的光谱信息,没有考虑到图像的空间信息和高光谱图像本身的特征信息。在高光谱图像中,存在这样一种现象,相邻像元可能包含相似或相同的物质,并且物质的含量也是相似的,基于上述特征,可以利用中心像元的邻居像元在分类和解混模型中添加空间约束,将高光谱图像的空间信息和光谱信息结合起来,从而提高分类和解混的精度。论文的研究方向主要有以下两方面:1.在高光谱图像中,存在这样一种现象,相邻像元可能包含相似或相同的物质,这样,它们很可能在分类过程中归为同一类。基于高光谱图像的这种特征,本文提出了一阶邻域系统加权约束,即用中心像元周围的4个像元在分类模型中去约束该像元,并且与中心像元越相近的邻居像元在约束中占的比重越大,该约束使得中心像元和周围的4个像元在分类过程中包含同样的光谱信息。然后将此约束添加到稀疏分类模型中,提出了一种基于一阶邻域系统加权约束的新的分类算法。为测试新算法的分类性能,利用常见的AVIRIS和ROSIS传感器搜集的高光谱图像进行实验,采用总分类精度、平均分类精度和kappa系数3种评价标准评价算法性能。实验结果表明,一阶邻域系统加权约束充分利用了空间信息和图像本身的特征,分类精度有了大幅提高,分类性能优于现有分类算法。2.高光谱图像中的像元是由光谱信息和空间信息共同组成的,光谱信息是独立的,而空间信息是相关的。由于马尔科夫随机场是一个模拟空间相关性的强大工具,它不仅考虑到图像中相邻像元的相关性,同时也考虑到了图像本身的特征,所以本文采用马尔科夫随机场在稀疏解混模型中添加空间相关性约束,提出了一种基于自适应的马尔科夫随机场的稀疏解混算法。为测试该算法的解混性能,本文提供了模拟图像数据和真实的AVIRIS图像数据进行实验,并利用SRE(信号噪声比)分析实验结果。实验结果表明,对于模拟图像,基于自适应的马尔科夫随机场的稀疏解混算法取得了更高的SRE值,对于真实图像,新算法解混后得到的丰度图像比现有算法更加光滑,丰度图像细节也展现的更加全面。