随着高光谱遥感技术的迅速发展,成像光谱仪能够捕获地物精准的光谱响应和空间细节特征,使得高光谱遥感图像富含空间信息和光谱信息。高光谱遥感图像丰富的光谱信息意味着波段数量众多,造成波段间高度冗余性与相关性不可避免。因此,高光谱遥感图像提供丰富信息的同时也为后续的分类应用带来了巨大的挑战。如何有效地挖掘与利用高光谱遥感图像自身丰富的信息来提高分类准确度是一个关键问题,受到了广泛关注。本文尝试将光谱维的特征提取、面向三维结构的空间滤波和空间上下信息的利用三方面统一到一个框架上,充分挖掘高光谱遥感图像的空间信息和光谱信息,提升高光谱遥感图像的分类准确度。本文提出一种基于正交线性判别分析空谱融合特征与马尔可夫随机场的分类算法。首先,利用正交线性判别分析对经主成分分析舍去较少分量的高光谱遥感图像进行特征提取和特征缩减;其次,将提取后的特征经三维离散小波从不同尺度、频率和方向上分解,以级联的方式获得具有正交类判别信息的空谱融合特征集;然后,将获得的有监督空谱融合特征集作为概率支持向量机的输入特征,在分类过程中引入马尔可夫随机场理论,建立相邻像元局部空谱一致性,利用空间上下文信息修正初始分类图,从而获得分类结果。在两组真实数据集上的实验结果表明,相比现有的几种算法,本文提出的算法能达到较高的总体分类准确度和Kappa系数,并且有效改善了分类地标图中的“椒盐噪声”现象和错分点。