高光谱遥感图像地物目标分类是遥感图像处理领域的研究热点之一，是发展高光谱图像分析系统的重要技术，同时也是众多高光谱应用的基础。高光谱图像地物目标分类任务主要涉及高光谱波段选择、地物目标特征描述和分类器构造等多个方面。高光谱图像地物目标分类仍然是一个挑战性问题，主要源于如下几方面的难点:(1)高光谱遥感图像光谱分辨率高，但容易受噪声干扰，产生诸多外点通道（波段），采用所有波段图像数据会影响地物目标分类器的构造;(2)高光谱遥感图像空间分辨率低，图像中往往存在诸多小块区域目标，且同一类地物目标通常分布在不同的空间位置，但标注所有小区域费时费力，通常仅有少量标注样本;(3)在仅有少量标注的高光谱图像地物目标样本且样本维数较高时，分类过程中容易产生“Hughes”现象，影响分类精度的进一步提高。本文针对上述诸问题，从稀疏学习、无监督学习和半监督学习的角度开展波段选择、多特征选择、地物目标分类器构造等相关研究。具体而言，论文的主要工作和主要贡献总结如下:　　(i)提出了一种基于结构稀疏学习和半监督学习的高光谱遥感图像波段选择方法。其核心思想是将波段选择视为一个特征选择任务，通过引入结构稀疏约束和流形正则约束来提升波段选择的鲁棒性和精度。一方面，在光谱波段层面，通过引入基于矩阵l2,1范数的结构稀疏约束来提升模型对噪声波段的鲁棒性;另一方面，在图像空间层面，通过引入流形正则约束来描述高光谱图像空间近邻像素类别标签的局部平滑性。该模型所选波段具有较好的分类判别能力。对比实验验证了所提方法的有效性。　　(ii)提出了一种多视图无监督高光谱图像特征选择方法。其核心思想是采用多视图低维嵌入方法将光谱特征和高光谱图像地物目标低层视觉特征映射至低维嵌入表示。在特征选择模型构建方面，采用l2,1结构稀疏形式的鲁棒线性回归来保持该低维嵌入信息。该建模方案充分利用了多种类型特征的互补信息;同时，由于所引入的低维嵌入表示在一定程度上隐含地保持了数据的聚类信息和判别信息，故所选特征有更强的分类能力。对比实验验证了所提方法的有效性。　　(iii)对于少量训练样本且样本特征维度较高的高光谱遥感图像地物目标分类任务，一种典型的处理方案是基于图的标签传播方法，以利用大量的未标注样本的信息。但是，由于高光谱遥感图像空间分辨率较低，图像中有许多小的区域目标，这些小的区域会在标注样本直接进行标签传播中被平滑掉，并显著地影响分类精度。为此，本文提出了一种可以自动标注样本的半监督高光谱遥感图像地物目标分类方法。首先，基于已有少量标注样本所训练的分类器对高光谱遥感图像的像素级分类结果和局部区域类别标签一致性准则选择新的种子点，并将所选种子点的类别标签概率在图像空间中进行传播。其次，构建可保持局部边缘特性的图标签传播半监督分类模型。最后，将标签传播问题形式化地表述为一个能量最小化模型并通过求解稀疏线性方程组的方法获得分类结果。对比研究表明，在分类结果上，本文所提出的方法优于现有方法。