高光谱遥感图像分类是图像研究领域的热点问题,具有广泛的应用前景。传统的高光谱遥感图像分类算法大都仅利用高光谱图像数据的光谱特征。然而,由于高光谱成像技术快速发展,影像数据具有较高空间谱间分辨率,从而使得利用空间信息成为可能。仅利用光谱信息进行分类很难取得良好的分类效果。如何充分利用高光谱图像的空间信息,从而提高分类的精度仍是人们不断研究与探索的重要问题。本文研究了基于独立光谱角的高光谱图像分类算法,光谱角匹配不受向量模的影响,只受向量的方向影响。使用光谱角对高光谱图像进行初分类,得到整幅原图像的初始标记。根据初始标记构造下一步高光谱图像分类中所涉及的邻域块,同时去除邻域块内干扰类像元的影响。将所有训练样本进行分类,计算测试样本基于独立类训练样本的独立光谱角,再对测试样本进行基于独立光谱角的分类。实验证明,基于独立光谱角的分类能够有效的描述地物的光谱特征,从而获得较好的分类结果。针对联合稀疏表示分类算法在空间信息与光谱信息挖掘与融合上所存在的不足,本文提出了一种改进型的联合稀疏表示分类算法。本文算法具体实现过程可分为两大步骤。第一步构造邻域空间。通过对传统联合稀疏表示分类算法的研究,发现像元邻域块内往往存在大量的干扰类像元。所以,本文使用基于独立类光谱角进行高光谱图像的初分类,得到图像的地物类别标记图。根据类别标记图构造邻域块并进行邻域块内干扰像元的筛选。第二步全局空间信息的提取。高光谱图像内容丰富、背景复杂,单一特征的分类很难达到理想的效果,多种特征融合往往能够提高高光谱图像的分类精度。提取高光谱图像的空间特征,将各特征表示系数单独引入到空谱联合稀疏表示模型中,计算独立的稀疏表示系数。随后,本文提出一种残差融合算法,充分考虑各种特征信息的贡献差异性。实验证明,与其他算法相比,本文算法具有较高的分类精度且分类效果较稳定。本文通过对联合稀疏表示分类算法的研究,针对该算法中存在的不足提出了改进型算法,不仅考虑了图像的空间近邻信息而且考虑全局空间信息。在融合空谱信息的基础上,独立考虑各种特征信息的贡献差异,从而提高了联合稀疏表示分类算法的分类精度。最后,对本文算法的优势与不足进行了分析,为今后的研究工作打下了良好的基础。