高光谱图像数据将反映地物空间几何关系的图像信息和反应地物辐射属性的光谱信息有效地结合在了一起。高光谱图像通常由数百个相邻波段和狭窄波段组成,从同一场景的可见光谱到近红外光谱波段,它们提供了丰富的土地覆盖信息,并且在土地使用分析、城市测绘、军事侦察、和环境监测等方面引起了广泛的关注。在这些应用中,最基本的问题就是分类。本文在已知的联合稀疏表示的高光谱图像分类基础上,对稀疏表示的字典进行了进一步的研究,提出了基于二级字典的联合稀疏表示高光谱图像分类和基于字典优化的联合稀疏表示的高光谱图像分类。本文的主要研究内容如下:1.针对联合稀疏表示高光谱图像分类算法对光谱信息利用不充分的问题,提出了基于二级字典的联合稀疏表示高光谱图像分类算法。绝大部分稀疏表示高光谱图像分类的算法字典的选取方法都是都是直接选取像元,并没有进行进一步的处理。为了进行字典进一步的处理,提高与待测像元类别一致的像元被选择进行稀疏重构概率,本文使用基于万有引力改善的适应于高光谱像元的公式对字典进行更新。对于每一个待测像元,使用其与字典原子计算出的引力值后再与字典原子像元相乘,提高正确分类的概率。为了使光谱的信息被充分利用,使用指数平滑公式对残差进行处理。通过对Indian Pines和Salinas数据集的实验证明所提算法对提升分类精度有效。2.针对高光谱图像光谱信息复杂,稀疏表示字典数据量大的问题,为了节约高光谱数据集信息采集的成本,在基于核函数的联合稀疏表示分类方法上提出了一种基于字典优化的联合稀疏表示的高光谱分类算法。初始选择较少部分的原子,通过高斯核函数计算各原子与样本聚类中心的光谱相似度后取平均值。对于光谱相似性低的原子字典进行原子个数的增加,使其足够代表该类原子。对重新选择原子后的字典进行PCA变换提取主成分,降低字典的冗余成分,便于进行稀疏表示分类。在Indian Pines数据集和Salinas数据集的试验中表明,该方法能以较少的原子对高光谱数据集进行更好的分类。