由于高光谱数据较高的光谱特征维数，针对高光谱影像的统计模式分类通常计算量很大，且容易受Hughes现象影响。近年来，随着具备处理小样本大数据能力的子空间学习技术迅速发展，对于非高斯多峰的高光谱影像数据，影像蕴含的局部保持邻域信息是对原始高维空间的有效低维嵌入。由于包含大量的波谱特征，高光谱影像相应的空间结构信息异常丰富，引入拓展多属性剖面模型(EMAPs)构建高光谱影像的空间结构特征，能有效提高样本间的可分离性。本文充分利用高光谱影像多种特征信息，将局部保持特征、形态学属性剖面特征和原始光谱特征融合到统一的多核学习框架，提出一种新的顾及多种特征的局部保持子空间多核学习策略。作为一种典型的判别分类器，支持向量机能够有效解决高光谱分类中由小样本引发的不适定问题，本文基于多核特征选用支持向量机模型构建后验类分布并通过一系列试验验证分类策略在极端情况下的分类表现。