随着高光谱遥感系统技术的迅猛发展,高光谱图像在很多领域越来越被人们广泛应用,其中高光谱图像分类技术已经成为高光谱遥感技术的研究热点。高光谱图像具有高空间分辨率的同时,每个像元蕴含了数百个波段的光谱信息,对地物分类精度的提高有很大帮助。与此同时,如何充分地利用空间信息与光谱信息来进一步提高分类精度也是具有挑战性的。本文针对高光谱图像,研究了通过自适应地提取空间纹理特征,利用空间信息来提高分类精度:1.高光谱图像的超像素分割与特征提取:研究了高光谱图像的超像素分割方法,并且提取超像素的空间信息。超像素是具有相似的纹理、亮度以及颜色等特征的相邻像素构成的图像块。用超像素代替像素进行分类,很大程度上降低复杂度。本文利用超像素算法分割高光谱图像,并且提取超像素块的平均值特征,用到分类中极大地提高了分类精度与效率。2.基于超像素的极限学习机分类方法:研究了将超像素作为整体进行分类,采用极限学习机作为分类器。像素对应光谱特征,而超像素中包含了丰富的空间纹理信息,以超像素代替像素作为分类的基本单元,能够大大降低计算复杂度与提高分类效率。该算法将空间信息与光谱信息结合,运算速度快并且准确率高。3.基于超像素的合成核分类方法:合成核融合了光谱信息与空间信息,空间信息即超像素的平均值特征。本文分别构造了两核与多核函数,充分挖掘了超像素块内的空间信息,以及超像素块与其相邻超像素块之间的信息。合成核可以把在高维空间中内积运算通过原空间中向量间的运算来实现,将样本非线性映射到高维特征空间,从而达到更好的分类效果。真实数据的实验结果表明本文提出的方法有效提高了空谱特征利用率和高光谱遥感图像分类精度。