随着遥感技术的快速发展,由于高光谱图像包含数百个光谱,拥有丰富的波段信息,已被广泛应用于许多领域。近40年来,基于像素的地物分类一直是高光谱研究领域中一个非常重要的热点问题。然而,高光谱数据在包含有价值的鉴别特征的同时,也存在大量的冗余信息和噪声。这些冗余信息和噪声不仅会增加计算时间复杂度,还会降低分类精度。此外,高光谱的高维度特征与有限的标记样本（由于标记成本巨大）的矛盾常常导致“Hughes”现象,最终导致分类器的泛化能力较差。另外,高光谱图像波段之间的非线性特征,往往也会影响分类性能。为了解决这些存在的问题,本文通过研究结合地物的空间分布与光谱特征,充分挖掘高光谱数据的结构特征,提取出最有鉴别力的特征;此外,通过设计降维算法,对提取出的特征进行降维,解决高光谱数据中存在的小样本问题。本文提出了一种用于高光谱图像分类的三维高斯-Gabor特征提取与选择方法。首先,将一组三维高斯-Gabor滤波器与扩展的多属性剖面（EMAP）特征和原始高光谱数据进行卷积,解决高光谱图像中存在的噪声问题,充分挖掘高光谱图像的空谱特征。其次,提出了一种改进的基于密度峰值的快速聚类（IFDPC）方法进行降维,该方法能够适应三维高斯-Gabor特征体的流形特征,利用IFDPC方法从每个提取的三维高斯-Gabor特征立方体中选择最具代表性的特征集合。然后将IFDPC方法所选择的特征级联起来,完成分类任务,该方法命名为GG-IFDPC。最后我们利用三组真实的高光谱图像数据集,通过实验验证了所提出的GG-IFDPC方法的优越性。进一步的,为了研究高光谱图像不同方向上的空间分布和光谱规律,本文提出了一种三维多核Gabor和无监督线性判别分析框架（MKG-ULDA）来提取区分度高的特征进行分类。通过引入一组可变的正弦波,设计了一种三维核Gabor滤波器,用于研究高光谱图像中不同的空间光谱分布特征和结构信息。其次,利用熵率超像素分割（ERS）算法的分割结果指导线性判别分析算法,在无标记像素的条件下对三维核Gabor特征进行特征降维,称为无监督线性判别分析（ULDA）。ULDA方法利用了超像素的信息,不仅解决了特征维度高导致的计算成本问题,还提高了特征的区分度。最后,将所有得到的特征级联在一起,导入到支持向量机分类器中,得到分类结果。通过在三个真实的高光谱图像数据集上测试了三个MKG-ULDA框架提取的特征,实验证明了该框架提取的Gabor特征与传统的三维Gabor小波相比,更具有区分性。