Gabor小波变换具有优异的频域特征提取能力,对于高光谱图像空谱合一的特殊数据结构,3-D Gabor滤波可以同时提取高光谱图像的空间维和光谱维特征,因此3-D Gabor变换近年来在高光谱图像分类领域作为空谱特征提取方法被广泛应用。覆盖多分辨率的多组Gabor参数设置下提取的Gabor幅值特征维数十分庞大,高维特征数据对分类算法与运算资源需要提出了巨大的挑战。以解决对高维Gabor幅值特征分类时运算资源负荷溢出问题为出发点,本文以协同表示分类理论为基础,提出了一种基于Gabor特征的增量局部重构误差最小二乘分类算法(3D-Gabor-IRLS),通过迭代更新的方式依次对单个滤波器滤波得到的幅值特征更新协同表示系数向量以及累积类别局部重构误差,最终依据遍历所有Gabor滤波参数后的最小类别局部重构误差准则进行分类。实验部分分析了不同百分比训练样本训练分类器的分类效果,并通过与两种使用经过特征选择和PCA降维后的Gabor特征进行分类的方法对比,验证了3D-Gabor-IRLS的分类效果。将Gabor小波与卷积神经网络参数自学习的优点相结合,本文还提出了基于3-D Gabor卷积的高光谱图像分类网络结构(3D-GCNN),一方面探索多层自学习参数Gabor卷积提取抽象特征的表征能力,另一方面,通过3-D Gabor映射降低标准CNN的参数规模,以适应高光谱图像数据集训练样本稀少的特性。此外,针对3-D Gabor实虚部卷积提取得到的特征,提出对实虚部特征进行联合非线性映射的Gabor联合激活函数作为3D-GCNN的卷积单元的激活函数。实验部分在两个常用高光谱数据集上探索了不同训练样本量、不同输入像素块大小和不同层数对3D-GCNN分类效果的影响,并与三种不同方法进行对比,3D-GCNN在小样本数据集上与其他基于CNN的方法相比表现尤为突出。