随着高光谱遥感技术的发展,在同一个地区获取的地表图像拥有数以百计的频谱波段,拥有的光谱信息是多光谱图像的几十倍。然而,由于高光谱遥感图像拥有大量光谱信息的同时也增加了它的分类难度,它的主要挑战是存在大量的光谱特征而只有有限的训练样本(由于手工标记样本的难度和费用)。因此,如何利用丰富的信息来有效的解决小样本问题是一个重要的研究课题,在高光谱遥感图像分析中备受关注。纹理特征是区分不同目标对象的重要因素之一,能够帮助减少光谱变化以及同谱异物时的不良影响,其中,Gabor滤波器是一种强大的工具可以捕捉图像的方向、大小和其他内部结构信息。二维Gabor滤波器已经广泛的应用与纹理分析领域,而纹理分割也成功的应用在高光谱图像分类中。判别字典学习的目的是从训练样本中学习一个过完备的字典以提高它的编码向量的判别能力。Gabor小波可以提取局部的空间和光谱信息且成功的应用在高光谱图像分类中,由于Gabor特征的强大的判别能力,本文提出一种基于Gabor特征的高效高光谱图像分类方法,称为基于Gabor特征的支持向量引导字典学习方法,在原始的高光谱数据中提取Gabor特征用来构造初始字典,字典学习中的判别项制定是对所有编码向量之间的距离进行加权求和,可以极大的提高字典的判别能力。而字典的构建和相应的线性分类器在字典学习的过程中会同时得到。由于高光谱图像通常表示出高的空间分布规律以及地物的连续性,引入纹理信息可以有效的提高其分类精度。在原始的高光谱图像中提取得到的扩展形态学特征被证明可以有效的反应出高光谱图像的空间结构。与此同时,三维Gabor小波可以有效的融合高光谱数据的空谱信息,在本文中,我们将扩展形态算子和三维Gabor变换融合一起对高光谱图像进行分类。与稀疏表示分类,支持向量机等方法进行对比实验,实验结果显示本文提出的方法在高光谱图像分类中获得更高的分类精度。在文章的最后我们总结了所提出算法的不足和优点,并指出进一步研究的方向。