高光谱图像提供地物丰富的光谱信息，能够精细的对地物类型进行分类和识别。传统基于像元的分类器，如最大似然、最小距离、光谱夹角等分类算法，它们主要在特征空间内，通过计算像元的光谱特征与先验知识的光谱相似性来确定地物的类型。基于像元的分类算法仅仅将高光谱图像作为无意义的数据进行分析处理，没有考虑像元之间的相关性，因此，无法解决“同物异谱”造成的大量噪声对分类结果精度的影响。　　 高光谱图像数据几何空间直观描述了每个像元在图像中的空间位置以及它与周边像元之间的相互关系，为高光谱图像处理与分析提供空间信息。利用空间信息结合光谱信息进行高光谱图像分类成为研究的热点。因此，本文以整合高光谱图像光谱信息与空间上下文关系进行高光谱图像精细分类为主要内容展开深入研究。　　 1．系统总结了高光谱图像的分类过程与方法。高光谱图像分类中的很多方法来源于其它遥感图像分类方法的推广和改进。通过说明高光谱图像的数据特点、分类的过程和分类方法等背景，有利于明确本文的研究在高光谱分类体系中的贡献。　　 2．整合空间上下文信息进行高光谱图像聚类是图像分类的难点。针对该问题，本文首先提出纯邻域指数提取像元间的上下文空间特征，结合κ均值算法提出了邻域约束的κ均值聚类算法。该算法通过上下文空间关系对参加聚类像元进行约束，减少噪声以及光谱特征近似混合像元干扰，使各类别的质心更加优化，增强了类间的光谱可分性；然后提出了标号共生矩阵，实现了模型参数的自适应。利用模拟实验以及真实高光谱图像进行实验证明，当初始类别数相同时，本文算法能够较κ均值算法聚类正确获得更多不同地物类型，且分类精度更高。　　 3．马尔科夫随机场模型是一种整合空间上下文信息的分类方法。将传统马尔科夫随机场模型直接对高光谱图像分类会产生两方面问题：一方面，传统马尔科大随机场模型利用最大似然法估计概率密度函数，容易出现小样本问题；另一方面，全局性模型参数无法适应像元间不同程度的空间上下文关系。针对这两方面问题，本文首先将传统马尔科夫随机场判别函数抽象为空间项与光谱项的多项式组合。在该分类框架基础上，提出了基于光谱夹角、欧式距离以及支持向量机的马尔科夫随机场模型，这些基于光谱的分类器均无需高斯分布的数据集分布假设，并且进一步解决了传统马尔科夫随机场模型的小样本问题。同时，针对图像上不同像元的空间上下文差异性，将全局马尔科夫随机场模型参数改进为局部参数，提出了基于边缘检测以及相对同质性指数的自适应马尔科夫随机场模型，该方法不仅能够去除同质区内的噪声，而且能够同时保持边界的和细节信息，提高了参数对不同上下文相关特征的适应性。最后，通过模拟实验和真实高光谱图像实验证明了模型的正确性和有效性。　　 4．基于同质区的高光谱图像精细分类和目标探测，将基于像元转换为基于同质区的分类和目标探测过程。基于同质区的高光谱分类和目标探测框架，包含了三个层次的图像理解过程，即：数据层、特征层以及目标层。其中，基于同质区的分类在数据层中利用邻域约束的κ均值聚类算法和马尔科夫随机场模型对高光谱图像进行分割，生成同质区；然后，在特征层中对同质区进行特征提取；最终，在目标层中对同质区进行模式分类以及像元映射完成分类。三组真实高光谱图像分类对比实验证明了该算法的正确性和有效性。　　 针对基于像元的目标探测算法在较高空间分辨率的高光谱图像的适应性问题提出了基于同质区的目标探测算法。首先去除图像上大量无关目标类像元，提取疑似目标像元，然后提取疑似目标对象，将位于数据层中基于像元的目标转换到基于同质区对象的特征层，并在该层中对疑似目标对象进行特征提取和分析形成目标知识库，最终根据专家知识对疑似目标对象进行筛选得到探测结果。一组真实高光谱图像目标探测实验证明了算法的适用性和有效性。