随着高光谱成像技术的不断成熟,其应用领域越加广泛,提高对高光谱数据的处理能力和分类性能是社会发展的必然趋势,对国家安全维护、资源合理利用、环境监测和城市规划管理都具有重大意义。分类是高光谱图像(HSIs)应用的关键步骤,由于HSIs有大量的光谱带,且只有少量训练样本,导致HSIs分类成为一项具有挑战性的任务。然而HSIs数据光谱波段之间通常是相关的,所以在分类之前,一般先对HSIs数据进行降维。本文主要围绕对高光谱图像的降维和分类这两个问题展开研究。在高光谱图像降维方面,提出了一种新的基于加权空谱均值滤波的全局局部判别降维算法(WW),该算法充分利用了HSIs数据的光谱信息和空间特征,以及全局和局部结构特征。首先为了加强相邻像素的相关性,利用空间特征对像素光谱进行加权空谱均值滤波(WSSMF),然后为了构建全局局部判别矩阵,我们提出了加权空谱局部邻域保持(WSSLNP)矩阵,并将其作为局部回归算子嵌入到正则化线性判别分析(RLDA)模型中形成一个强大的降维算法。在高光谱图像分类方面,提出了空谱协同分类算法(SC-NN),以充分利用HSIs数据的光谱信息和空间连续特性,该算法首先使用最近邻(NN)分类器根据光谱信息对测试样本进行初分类,然后利用空间结构信息对上一步的分类图进行修正。同时,为了解决HSIs数据标记样本少的问题,本文采用增量式学习策略:迭代地选择SC-NN分类器产生的具有高分类置信度的测试样本添加到训练集中,然后再用新的训练集对HSIs进行分类。并将WW降维算法与SC-NN分类算法和增量式学习策略相结合,提出了空谱协同与全局局部判别分类算法(WWI_SC-NN)。为了降低数据中大量噪声对降维和分类算法的影响,提出了基于K-Medians的抗噪高效聚类算法,并将其应用到SVM算法和WWI_SC-NN分类算法数据的预处理中,得到具有更强抗噪能力的REK-SVM分类算法和KWWI_SC-NN分类算法。