高光谱遥感技术虽然被广泛的应用于对地观测,但是由于高光谱遥感影像数据量较大,初始训练样本的获取又是一个耗时耗力的过程,使得在处理遥感数据的过程中经常会遇到信息冗余的问题;多元逻辑回归分类器在处理高维影像数据中有着一定的优势,但是分类器性能好坏主要受其回归参数求解的影响,使得参数优化问题尤其显得突出。论文将半监督思想与多元逻辑回归分类器进行结合应用于高光谱遥感影像分类当中,针对目前上述仍存在的问题,提出一些新的算法和改进。论文主要内容如下:(1)针对牛顿算法在求解多元逻辑回归分类器回归参数的过程中经常会遇到寻优过慢、精度不高的问题,提出一种利用DFP修正拟牛顿算法进行回归参数求解来提高运算效率。该算法以弦截法代替牛顿算法中的二阶Hessian矩阵,并采用DFP修正法不断修正。实验表明:与常用参数求解算法相比,该改进算法在分类性能上有着很明显地改进。(2)在半监督分类的过程中,非标记样本的选择直接决定着对分类器性能改善的程度。针对常用样本选择方法中存在的一些问题,提出一种新的改进算法:考虑多个不确定类别之间的不确定性。首先通过阈值将有效类别进行筛选,之后通过方差来度量各个有效类别之间的不易区分程度,最后选出相似度最大的非标记样本进行标记。实验表明:与常用样本选择方法相比有着明显的优势。(3)在半监督分类过程中,样本标签确定直接决定着最终分类效果的好坏。错误的样本标记不仅不会改善结果,甚至会导致更差的效果。论文基于邻域信息和多分类器提出一种新的样本确定算法。首先以待确定的非标记样本为中心像元,通过设定圆形搜索区域寻找出邻域内出现的训练样本并以此形成标签可能集合,之后与分类器结果进行对比确定中心像元的标签。实验表明:与已提出的以训练样本为中心的样本确定方法相比,该算法有着明显的提升。