高光谱图像分类是遥感领域中的研究热点，极具挑战性，该研究具有重要的理论价值和广阔的应用前景。高光谱图像数据通常具有上百个光谱波段，提供了丰富的光谱信息，但是其所具有的高维、强相关和冗余性等特征，给传统的图像分类方法带来了极大困难。本文在对高光谱图像特性探索基础上，引入函数型数据分析方法，将高光谱图像像元表示为函数型数据，从函数分析层面及角度建模，进而实现高效鲁棒的高光谱图像分类。本文的主要研究内容及创新点可以概括为：　　1.高光谱图像像元具有连续的光谱曲线，呈现出明显的函数型数据特征，本文创新性地利用函数型数据分析方法建立了一种有效的高光谱图像像元的函数型数据表示模型。该模型可以更充分地利用高光谱图像丰富的光谱信息，有效融合蕴含在按顺序排列的波长内部信息，更好地揭示高光谱图像数据的内在本质特征。同时，高光谱图像数据间相关性强和冗余度高的问题也可以通过此手段得到很好的解决。　　2.设计了一种基于函数型主成分分析的高光谱图像分类算法。函数型主成分分析方法通过求解协方差函数的特征分析问题获得函数主成分。与多元分析框架中的传统高光谱图像分类算法相比，该算法充分利用了高光谱图像光谱信息丰富的优势，有效利用了其高维数和强相关性。在常用高光谱图像数据库上的实验结果表明，相较于其它几种代表性的高光谱图像分类算法，该算法在分类精度上具有很大的优势。同时，与标准支持向量机算法相比，该算法在计算效率上也有极大的提高。　　3.为了更好地反映光谱曲线的局部结构特征，利用小波变换多分辨分析和时频局域化的特点，提出了一种基于函数型数据小波变换的高光谱图像分类算法。针对建立的高光谱图像像元的函数型数据表示模型，采用三次B-样条小波进行小波分解，获取相应的小波分解系数，达到深入挖掘光谱曲线局部结构特征的目的。将所提算法应用于标准高光谱图像数据库，实验结果验证了该算法的有效性。　　4.为了更好地表征光谱曲线反射峰值和反射强度变化率的特点，并充分利用高光谱图像的空间信息，构造了一种结合导函数及空间信息的高光谱图像分类算法。将导函数信息与原函数信息进行特征融合，构成新的特征向量。同时，基于高光谱图像具有地物连续性的特点，利用空间邻域信息对初步分类结果进行修正，从而进一步提高分类精度。将该算法应用于标准高光谱图像数据库，实验结果表明导函数信息和空间信息的引入，可以更有效提高高光谱图像分类的精度。　　论文的最后对本文主要工作进行了总结，并对进一步需要开展的研究内容进行了展望。