高光谱遥感技术在遥感科学中占有十分重要的地位,是现代遥感科学发展的前沿领域。它利用成百上千的波长范围从可见光到红外线的电磁波波段从我们感兴趣的物体中获取有用的信息。高光谱图像中的每一个像素点可以表示为一个光谱维向量,构成这个向量的的各个分量与高光谱图像的各个波段相对应。不同的地物通常对相同波长电磁波的反射存在差异,这样就可以利用丰富的光谱信息对不同的地物加以区分。高光谱遥感系统已经在农业、军事和矿物学等诸多领域得到了广泛的应用。相较于传统的多光谱遥感图像而言,高光谱遥感图像在光谱分辨率方面有了很大提高,承载地物信息量非常大,这很大程度上提高了其在地物类别方面的区分能力,可以对地物的光谱信息进行精确分析与处理。但是高光谱图像具有的波段数目一般很大,导致其数据维度较高且图像中往往混有不同程度噪声。如何从高光谱数据繁杂的信息中准确快速地挖掘出对分类有利的特征信息,提高图像的分类精度,仍是一个棘手的问题。现有的大部分高光谱分类模型都只考虑了光谱信息,而没有对图像的空间信息加以利用。本文在现有算法分析的基础上,以提高图像分类精度为出发点,充分利用高光谱数据的特征,对高光谱图像的分类算法进行了深入研究。本文提出了一种结合上下文信息的高光谱图像联合稀疏分类模型。由于高光谱图像中一个图像块包含的光谱向量通常都具有很高的相关性,如果把这个图像块展开成一个矩阵,这个矩阵就存在一个潜在的低秩结构,可以采用低秩分解将它分解为一个低秩矩阵、稀疏矩阵与噪声矩阵的和。通过分析分解后得到的低秩矩阵,就可以找到与中心像素相似的邻域像素。通过结合这个中心像素和与其相似的邻域像素,就构成了一个联合稀疏问题。联合稀疏模型假设这些相似的像素都可以由字典中相同训练样本的不同权重来加以表达。通过对稀疏度加以限制就可以得到一个行稀疏的解。然后利用这个行稀疏的解来解决样本标签的归属问题。实验中使用了两幅广泛在高光谱图像分类中使用的数据来验证所提出算法的有效性,并与其它基于稀疏的分类算法进行了对比。实验证明本文提出的算法在基于稀疏的分类算法中不仅精度高,而且效果稳定。