高光谱遥感图像极高的光谱分辨率以及“图谱合一”的特性可以有效地对地物分类。但是由于高光谱数据高分辨率、高维数、数量大的特点,常规的图像分类方法在高光谱图像分类时有较大的限制。为此本文开展了张量FCM算法研究及其在高光谱遥感图像分类中的应用,主要内容如下：(1)本文就高光谱遥感图像的结构特点,将其映射到张量空间,探讨了张量模式下的高光谱遥感图像。首先具体介绍了张量的定义及相关的多维线性代数理论,接着介绍了张量计算的优势,最后给出了高光谱遥感图像空间-光谱特征张量描述的理论。(2)针对高光谱数据的特点,在原始高维空间做高光谱遥感图像分类会出现“维数灾难”问题,不仅会增加计算的复杂度和存储空间,而且还会降低分类精度。为解决上述不足,在做高光谱遥感图像分类的时候,使用多线性主成分分析方法(MPCA)将其降维到低维张量空间做分类,能有效提高高光谱遥感图像分类的速度和分类的准确性。使用传统模糊C均值(FCM)算法对高光谱遥感图像做分类时只考虑了样本间的光谱信息,却忽略了样本之间的空间信息,其分类效果不佳。(3)为提高分类精度,本文使用张量模糊C均值(TFCM)算法把高光谱图像映射到张量空间做图像分类,这样能够同时考虑空谱信息。实验结果表明,TFCM算法的总体分类精度有较大的提升,但是对于光谱特征比较相似地物分类效果不好。为进一步提高分类效果,提出了加权张量模糊C均值(WTFCM)算法,即给每个样本分配一个样本与剩余样本之间关系的无监督加权均值。WTFCM分类精度相比TFCM有大幅提升,但是其受加权指数m影响比较大,稳定性差。为此提出了新的加权张量模糊C均值(NWTFCM),不同与WTFCM该算法的无监督加权均值,它是样本和TFCM聚类中心之间关系的一个值。实验表明NWTFCM的分类效果要比WTFCM好,而且在稳定性上有一定的提升。