高光谱遥感图谱合一的特性将由物质成分决定的光谱信息与反映地物纹理、形状的空间信息有机结合,从而实现对地物的精准分类、识别以及属性分析等,极大地提高了人类对客观世界的认知能力。高光谱遥感技术已被广泛应用于地质制图、环境监测、植被调查、农业遥感、海洋遥感、大气研究等诸多领域。然而,高光谱遥感数据在带来大量有效信息的同时,也给高光谱影像分类问题带来了诸多挑战。高光谱影像分类主要存在以下问题:第一,由于地物的组成及分布情况的复杂性和成像条件的影响,高光谱影像上依然存在“同物异谱”与“异物同谱”的现象,导致误分的情况很容易出现;第二,高光谱影像上混合像元的普遍存在,进一步增大了地物分类的难度;第三,随着图像的波段增加,对监督分类中训练样本的需求也急剧增加,造成小样本分类时的病态问题。近年来发展起来的空谱特征分类、合成核分类、半监督分类算法以及光谱解混技术,对以上高光谱图像分类问题提供了可能的解决途径。本文通过开展空谱特征和丰度信息提取方法,从监督分类与半监督分类两个角度研究联合丰度信息和空谱特征的高光谱图像分类方法。并采用两组具有不同光谱、空间分辨率和不同地面复杂度的航空高光谱数据进行分类实验,验证本文所提算法的有效性。论文的主要研究成果和结论如下:1)研究了基于形态学的空谱特征提取方法,梳理了形态学属性轮廓特征的提取流程。通过对形态学属性轮廓特征的提取,既充分利用了地物光谱信息,又考虑了影像上地物的空间结构特征,进而降低“同物异谱”与“异物同谱”对分类的影响,大大提高了高光谱图像分类的精度。2)提出了一种基于类别的端元提取与稀疏解混算法。针对光谱解混的端元和分类的类别往往不一致,导致由解混得到的端元丰度信息无法有效地应用到分类中的问题,该算法首先针对训练样本的每一种类别进行端元提取,得到分别对应于每种类别的端元,所有类别提取的端元一起组成端元集,利用该端元集进行稀疏解混,进而得到与类别相对应的丰度信息。实验结果表明,该算法为地物分类中普遍存在的混合像元问题提供了一种有效的解决方法,能够有效提高图像分类的精度。3)研究了一种基于马尔科夫随机场的空间优化算法。考虑到自然界中地物的分布通常具有一定的空间连续性,反映在遥感影像中,即相邻像元是同种地物类型的概率最大。该算法采用一种马尔科夫随机场先验模型来促使邻近像元属于同一类别,通过对空间邻域信息的利用达到空间优化的目的。实验结果表明,该空间优化算法能够有效的去除椒盐噪声,提高分类精度与效果。4)提出了一种结合丰度信息与空谱特征的合成核分类方法(CKSMLRSSA)。该方法通过在核结构层面上将空谱特征和丰度信息特征进行融合,从而更加有效地用于图像分类。根据合成核理论,首先将丰度信息组成的核与空谱信息组成的核以合成核的方式进行组合,进而用这个合成核替代原来的单核函数进行地物分类。实验结果表明,通过合成核的方法能够有效地集成空间、光谱与丰度等不同的特征空间,获得与基于特征选择的堆叠组合分类相当的分类精度,而不需要进行特征选择的过程,提高了高光谱图像分类效率。5)提出了一种结合丰度信息与空谱特征的半监督分类方法(BTSSA-SMLR)。针对高光谱遥感小样本分类问题,该算法通过结合丰度信息与后验概率进行主动学习,从类别隶属度和混合像元的角度选取信息量最丰富的样本用于半监督分类,进而提高半监督分类的效率。实验结果表明,结合丰度信息和后验概率的主动学习方法,可以利用少量的标记样本实现较高的总体分类精度,有效地减轻样本标记工作量,减少分类器样本训练所需时间,提高半监督分类的效率。