高光谱图像包含密集的光谱波段，在光谱维度达到了纳米级的分辨率，提供更加丰富的光谱信息，这使其在农业、军事、环境监测等方面有着广阔的应用前景。高光谱图像分类在其中发挥了重要作用。高光谱图像分类是利用标记数据训练的分类器给图像赋予像素类别标签的过程。为获取高精度分类结果，传统监督学习分类方法需要充足的训练样本，而大量样本的标记耗时费力。因此，如何在少量样本下提高分类性能具有十分重要的研究意义。本文通过挖掘像素、亚像素、超像素多级特征的差异性和互补性，充分利用少量标记样本和大量未标记样本信息，设计有效的样本选择和样本扩充策略，提出多级特征联合的半监督学习和主动学习分类方法，具体介绍如下：
　　1)提出了像素-亚像素级多特征联合的半监督学习分类方法，结合高光谱图像的光谱差异性和光谱混合性，利用半监督学习进行伪标签样本选择，实现训练样本的扩充，从而提升分类性能。在该方法中，首先基于像素级和亚像素级特征，利用极限学习机进行地物类别估计，并对类别标签进行一致性判别，得到候选未标记样本集合；在此基础之上，结合邻域标签分析和后验概率估计，设计多特征联合的高置信度伪标签样本选择策略，从候选样本中选择适量伪标签样本进行训练样本扩充，并对分类结果进行更新。实验结果表明，与监督分类方法相比，提出的半监督学习方法能够有效提升分类精度。
　　2)提出了像素-亚像素-超像素级多特征联合的主动学习分类方法，联合利用高光谱图像的光谱信息和空间信息，筛选出最具有代表性的少量样本构成训练样本集，从而降低标记样本数量的同时提升分类性能。在该方法中，首先基于像素级、亚像素级和超像素级三种特征，分别获取图像地物分类结果并进行差异性分析，从而选出候选样本集合；在此基础之上，设计概率自适应融合策略和标签置信度估计准则，选择最具有代表性的样本更新训练样本集；最后，引入最大化后验概率的马尔可夫优化模型，得到最终的空谱分类结果。实验结果表明，提出的主动学习方法能够在较少样本条件下实现较精确的分类结果。
　　3)针对本文的多特征联合的主动学习分类算法，本文在Python3.6开发环境下，基于PyQt工具对其实现了软件界面设计与开发，并在高分5号卫星获取的长沙地区高光谱数据上进行了实验测试。