高光谱影像(Hyperspectral Image,HSI)由于其具有精细的光谱分辨率和良好的地面分辨率的优势,已经成为人类在认识世界和改造世界过程中不可或缺的数据载体。HSI通常具有数十甚至数百个特征波段且有几米甚至亚米级别的地面分辨率。一般来说,较高的光谱分辨率可以增强对复杂地物的区分能力;较高的地面分辨率能够更加细致地刻画地物复杂多变的细节。然而,随着光谱分辨率和地面分辨率的增加,各种地物在特征空间中的数据分布规律也变得异常复杂,这给利用高光谱遥感技术准确识别地物带来了巨大的困难。同时,HSI的高维特征不但容易导致Hughes现象的发生,而且也增加了分类的计算成本;HSI的大数据特征要求我们提出快速准确的分类方法,以便于遥感技术在实际问题中的应用。HSI的高维特征和大数据特征,使得通过传统的目视解译方法来获得地物的分布变得更加困难。因此,利用人工智能的方法对HSI进行分类,成为了近年来遥感领域研究的热点之一。已有的研究结果表明,直接使用经典的人工智能方法进行HSI分类,不能获得满意的分类结果。如何在保证分类精度的同时,进行HSI的降维计算,以及如何有效融合谱-空信息,提出快速准确的谱-空分类方法,仍是十分值得进一步研究的问题。本文针对上述问题,开展了如下的研究工作。(1)针对HSI的高维特征问题,基于模糊C-均值算法,子空间分解技术,极大熵原则,灰狼优化算法等,本文提出了无监督的波段选择方法。所给出的降维方法能够在原始的波段中选择出具有较好地物识别能力的波段子集,有效地降低了所选波段之间的冗余性,避免了Hughes现象的发生。在保证分类性能的同时,减少了分类算法的计算时间。在三个标准测试集上的运算结果证明了所提出方法的有效性。(2)为了减少噪音点对分类结果的影响,基于不连续松弛方法和超像素技术,本文提出了一个有效的谱-空分类框架。在所提出的分类框架中,利用不连续松弛方法以及像素的空间信息,在预处理中有效地平滑了噪音像素。在后处理中,超像素技术的使用可以较好地起到改善分类结果的作用。另外,我们改进了流行的简单线性迭代聚类超像素分割方法(SLIC),改进后的SLIC算法是一个无参数的方法,且可以直接适用于具有任意维数的HSI超像素分割。在同样的标记比例下,实验结果和比较结果肯定了所提出的方法优于其他几个流行的谱-空分类方法。(3)虽然超像素分割为HSI分类提供了有力的工具,但由于超像素的自适应大小和形状的特点,在超像素水平上对HSI进行分类仍然是一个具有挑战性的问题。另外,HSI的大数据特征无疑会增加分类的计算时间。为了部分解决这一问题,本文尝试性地介绍了一种新的超像素级的半监督谱-空分类方法。基于局部平均伪近邻方法,我们定义了两个超像素之间的相似度。然后通过K近邻方法,实现了超像素级的分类。实验结果表明,所提出的超像素级的分类器性能好于其他几个有代表性的像素级的谱空分类方法。本文在实验中采用了Indian Pines、Pavia University和Salinas三个国际通用的标准高光谱数据集,这三个数据集被广泛地用来测试高光谱数据分类算法的性能。三个数据集来源于http://www.ehu.eus/ccwintco/index.php/Hyperspectral＿Remote＿Sensing＿Scenes。