高光谱遥感图像能够提供丰富且精细的光谱特性曲线,表征不同地物目标的特有属性,是人类社会认知了解地球的重要途径之一,被广泛应用到现代军事、矿物勘探、精准农业和监测环境灾害等领域。高光谱图像分类问题是目标识别的基础,是遥感领域最活跃的课题之一,使用先进的机器学习算法也是解决分类问题的主流研究方向。但实现稳定且精准的地物目标的高精度分类仍然存在巨大难度和挑战,主要问题有:高光谱数据光谱维度过高,数据的冗余大,尤其针对于具有较高相似性的光谱特征间如何进行有效的特征挖掘;分类过程计算复杂度高,标记样本缺乏,如何解决小样本与高维度之间的矛盾,开发高效的分类模型;类内和类间的统计特征较复杂,如何通过提高类间差距增强图像深层次特征,并建立匹配的分类器进一步提升分类效果。针对上述问题,本文深入探讨了高光谱图像数据集的自身特性,研究了高光谱图像的特征挖掘及高效分类模型,并在真实的高光谱图像数据集中对提出的模型进行分析评价。本文的主要成果如下:（1）针对高光谱数据的高维度,相邻波段相关性较强和存在大量冗余信息等问题,本文提出了基于累积变异比的高光谱图像光谱特征挖掘方法。该方法根据统计学变异系数的特点并进行改进,通过波段类内和整体的累积变异比值,分析各个波段对分类效果的影响,根据其贡献程度选择高效波段实现高光谱图像的特征挖掘,并验证了所提方法对于样本的排列次序是良态的。通过实验比较分析,提出的基于累积变异比的高光谱图像光谱特征挖掘方法能够更有效地提取光谱特征,降低信息的冗余程度,为后续对高光谱图像的处理提供必要的技术支撑。（2）针对高光谱图像分类方法普遍复杂度较高,标记样本尤其是小样本缺乏的实际情况,本文提出了融合空谱特征的累积变异比集成超限学习机高光谱图像分类方法。该方法应用计算复杂度相对较低的加权随机分组操作进一步挖掘高光谱数据集特征,最后通过集成超限学习机模型进行综合评判。通过实验比较分析,本文所提方法不仅优化了波段和波段样本选择,还降低了模型的计算复杂度,提高了分类精度,较好地解决了小样本缺乏的问题。（3）针对高光谱图像类内和类间的复杂结构特征,以及对小样本普遍识别率较低的问题,本文建立了融合特征增强的高光谱图像双向深度递归分类模型。该模型分为特征增强部分和与其匹配的双向深度递归网络部分,结合上文的研究成果继续从特征矢量序列连续的角度进行研究,并融合遥感图像信息增强技术提高了类间的特征差距,更好地挖掘出高光谱数据集的特征,根据特征矢量序列的特点构建与其匹配的分类模型。通过实验比较分析,本文所提方法充分考虑了样本类间的特征差距,并将每次的输出结果融合到高光谱输入的特征矢量中,进而增强高光谱图像的分类属性,改善了高光谱数据集中的小样本分类效果较差的问题,进一步提高了分类精度。该论文有图58幅,表16个,参考文献164篇。