高光谱图像分类是遥感图像处理领域的重点研究内容。图像特征提取对分类起着至关重要作用,而高光谱图像的高维性和非线性等特点,给特征提取造成一定困难。此外,标记高光谱图像需要大量人力和物力,有限图像标签容易造成算法出现过拟合现象,使分类精度下降。本文针对以上两个问题,提出了两种解决算法。具体的研究工作如下:(1)为解决高光谱数据高维性和非线性对图像谱空联合特征难以提取问题,本文提出一种改进的谱聚类算法,称之为超图算法。该算法构建两种类型的超图,一种用于提取高光谱图像光谱特征,另一种用于提取高光谱图像空间特征。(2)将超图算法和支持向量机(Support Vector Machine,SVM)算法结合形成G-SVM(Graph SVM)算法,在Indian Pines、Pavia University和Salinas数据集分别取得95.53%、96.42%和96.17%的实验分类精度。结果表明超图算法能够有效提取高光谱图像光谱特征和空间特征,验证G-SVM算法在高光谱图像分类中的有效性。(3)针对高光谱图像数据标签有限,容易造成算法出现过拟合问题,本文构建一种新颖的深度卷积神经网络模型(Convolutional Neural Network,CNN)。通过运用Dropout、L2正则化等方法解决模型过拟合问题;将该模型同超图算法结合形成G-CNN(Graph CNN)算法;利用不同数量训练样本进行对比实验。结果表明,该算法在训练样本数目为200时,分类精度达到96%,减少训练样本数目为50,也达到90%的分类精度表现。相对于其他算法,G-CNN算法受训练样本数目干扰小、分类精度高、解决过拟合问题能力强,在高光谱图像分类中具有一定应用价值。该论文有图32幅,表13个,参考文献62篇。