高光谱遥感图像分类是图像研究领域的新热点问题，具有广泛的应用前景。随着近年来关注度的持续上升和研究投入的不断增加，已经取得一定的技术成果。然而，由于高光谱遥感图像本身的特殊性，使得其分类技术存在着维度高而训练集小、信息冗余、混合像素多等问题。针对这些问题，本文开展了基于谱域-空间特征的半监督高光谱图像分类方法研究，主要研究工作及创新点如下:　　1.为了充分利用目标像素点的空间信息，提出将谱域和空间信息相结合的特征。目标像素点的空间信息包括:空间邻域像素点光谱信息和目标像素点自身空间位置信息。针对空间邻域像素点光谱信息对目标像素点的分类起积极辅助作用这一发现，提出了基于谱域-空域相结合的新特征，在此基础上，针对农作物区等具有规则形状、区域性强的高光谱遥感图像，引入目标像素点的空间位置信息作为特征描述的一部分，提出基于谱域-多空间信息的新特征。实验结果证明，引入空域特征，可以修正由外界因素所导致的“同物异谱”椒盐噪声点的谱域特征;引入空间位置信息，在一定程度上提高了具有强区域结构性的遥感图像的分类结果准确率，将单像素分类扩展成局部区域的可靠分类。　　2.为了解决高空间分辨率带来的边缘混合像素点多的问题，提出了基于图割原理的二次分类方法。首先，在模糊支持向量机初步分类结果的基础上，通过训练样本集扩建和K-Medoids聚类算法获取每个类别的标准特征，作为图割算法中类别分类代价计算的基础。然后，基于图割原理，一方面根据目标像素点的光谱特征计算类别分类代价，另一方面根据空间邻域像素点的类别来计算空间分割代价，在初步分类结果的基础上，对目标像素点进行二次分类。实验结果表明，在模糊支持向量机初次分类结果的基础上，通过引入图割算法对图像进行二次分类，可以有效地修正分类结果，尤其是对位于结构边缘的混合像素点，提高了分类性能;采用双重筛选机制来扩建训练样本集，可以得到更为精确的类别标准特征，解决了高光谱遥感图像样本集不足的问题。　　综上所述，本文针对高光谱遥感图像分类领域的两方面问题展开了研究，提出了一个基于谱域-空间特征的半监督高光谱遥感图像分类方法，并在Indian Pine、Pavia University、 Salinas Valley-A数据集上进行验证，实验结果验证了本文提出方法的有效性。