近年来,具有丰富的光谱信息与高分辨率空间信息的高光谱图像成为遥感领域研究的重点,其中,高光谱图像分类相关的理论以及技术发展迅速,使得高光谱图像光谱信息和空间信息的利用率大大提升,从而高光谱图像对应的真实地物信息能够充分被挖掘。目前,高光谱图像的分类技术被广泛的应用在农业、地质环境检测、军事侦查、海洋探测等领域。本文通过分析传统和现有的稀疏表示理论相关分类算法对高光谱图像丰富的光谱信息与空间信息利用存在的不足,并对稀疏表示理论相关算法进行改进,提出了基于核函数的联合稀疏表示高光谱图像分类算法以及基于字典学习与空谱联合稀疏表示的高光谱图像分类算法。本文的主要研究内容有:1.提出一种基于核函数的联合稀疏表示高光谱图像分类算法。该算法针对联合稀疏表示分类算法中对高光谱图像空间信息利用不充分的问题,尤其是对边界区域不同地物的识别,提出几种改进的联合核函数来计算每个待测像元与邻域像元权重的大小。通过设定权重阈值来选择每个待测像元的最优邻域窗口,最终,将待测像元与其邻域像元通过联合稀疏表示模型来分类。实验仿真表明,基于核函数的联合稀疏表示分类算法能够有效的提高高光谱图像的分类精度。2.提出一种基于字典学习与空谱联合稀疏表示的高光谱图像分类算法。该算法针对现有稀疏表示算法对残差利用不充分与训练字典的选择等问题进行改进。首先,利用核函数计算待测像元与字典原子的权重并将每个字典原子对应的权重赋予字典原子形成二级学习字典,将得到的二级字典作为匹配追踪的训练字典。其次,针对现有算法对稀疏重构残差利用不充分的问题,提出将boosting思想融入匹配追踪过程,即将残差叠加至待测样本增强波段特征进行多次迭代寻优。为了充分利用高光谱图像的空间信息以及使待测样本波段特征在匹配追踪过程具有较好的稳定性,利用核函数计算待测样本与邻域像元权重来选择最相似像元,进行联合匹配追踪。在三个常用的高光谱图像数据集上进行仿真验证,结果表明提出的算法能够有效的提高分类精度。