高光谱图像包含丰富的光谱信息和空间信息,它可以更细腻地描述地物特征,因此被广泛应用于农业,环境检测,军事,地质等领域。然而,根据这几年研究表明,高光谱图像分类算法的研究还是有很多挑战,如高光谱的每个像素点的数据结构非常复杂,数据维度非常大,在有限的样本情况下实现高精度的分类和时间耗费较少是非常困难的;高光谱图像信息比较丰富,未能充分利用高光谱图像的不同空间信息;提取的图像特征未能进行很好的融合;高光谱图像特征提取的扩展多属性轮廓（EMAPs）,它在连接多属性特征时会在高光谱图像中引入噪声等。这些问题都会给高光谱图像分类的精度带来很大的影响。本文提出了一种联合决策融合和特征融合的新型框架,主要研究内容如下:（1）扩展多属性轮廓（extended multi-attribute profiles,EMAPs）因为具备良好的性能,已应用于遥感图像的特征提取和分类。但由于扩展多属性轮廓在不考虑基于像素的高光谱图像分类的情况下连接了多个属性特征,所以导致高光谱图像的同质区域可能因为引入的噪声而变得不平滑。为了解决这个问题,本文采用加权均值滤波器（weighted mean filters,WMFs）来降低噪声并平滑高光谱图像中的同质区域,并提出了基于加权均值滤波器（WMFs）的加权扩展多属性轮廓（weighted extended multi-attribute profiles,WEMAPs）。（2）为了更好地获取高光谱图像的特征,本文又提出了基于加权均值滤波器（WMFs）和加权扩展多属性轮廓（WEMAPs）的特征融合（feature fusion,FF）,以此来提高分类器的判别能力。因为高光谱图像具有很复杂的结构,它会存在一些大同小异的区域,但它的扩展多属性轮廓可能会忽略高光谱图像的一些区分信息。为了捕获不同的空间结构以更有效地对高光谱图像的判别信息进行建模,本文采用了多尺度方法,来产生多尺度的高光谱图像特征,以提取高光谱图像的不同空间结构并产生更好的分类结果,其中各个尺度的分类结果被合并为最后一个最优的结果。（3）此外,极限学习机被用作执行分类的分类器。为了执行高光谱图像分类,可能需要将高光谱图像中的不同类投影到不同的特征空间中。所以,为了区分不同的类别,本文提出了一种修订的极限学习机以处理具有不同预测的不同类别。然后,将本文提出的修订极限学习机,广义极限学习机和内核极限学习机这三个不同版本的极限学习机的分类结果组合在一起,最后采用决策融合方法（decision fusion,DF）得出最优的分类结果。这就是本文提出的一种联合决策融合和特征融合的新型框架（joint decision fusion and feature fusion,JDFFF）。在两个公开的高光谱数据集（即印度松树数据集和Pavia大学数据集）上进行的实验表明,我们提出的算法明显优于许多最新的高光谱图像分类算法。