高光谱图像(Hyperspectral Image)通常指光谱分辨率在10nm数量级范围内的光谱图像。遥感技术经过半个世纪的发展,无论在理论上、技术上还是应用上均发生了重大的变化。其中,高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器,在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时,也获得其光谱信息,第-次真正做到了光谱与图像的结合。尽管高光谱遥感图像具有更高光谱分辨率,但是由于其高数据维度的特点,使得应用于多光谱图像(Multispectral Image)的统计分类器往往不能有效地应用于高光谱遥感图像。当训练样本有限,而光谱波段增加时,例如最大似然分类器,支持向量机分类器等都会出现分类精度随着特征维数增加而降低的现象,即所谓的“维数灾难”(Curse of Dimensionality),也称Hughes现象。本文对实际数据做了实验,对维度灾难问题做出解释和更深研究。本文的主要创新点包含以下几个方面：1、提出两种基于图像距离(Image Euclidean Distance)的流形降维算法：图像距离的等距映射算法和图像距离的局部线性嵌入算法。这两种算法针对高光谱图像数据的图像特点,在过去的基于数据的降维方法上,引入了图像的空间信息,将高光谱数据中单纯表示数据距离的欧氏距离进行了改进,扩展成了高光谱数据的图像距离。使用基于图像距离的流形降维方法对实际高光谱图像数据降维处理后,不但分类精度上有了提高,而且分类后视觉效果也有了提高。2、提出基于光谱角距离(Spectral Angle)的自组织神经网络分类算法。算法使用了光谱角特征代替了传统算法中的欧氏距离特征,有效地区分高光谱图像中普遍存在的同物异谱问题。实际数据实验表明,这个算法在不影响复杂度情况下有效地提高了分类精度。