高光谱遥感以纳米级的超高光谱分辨率对目标空间特征成像的同时，对每个像元可在更宽波长范围上形成几十个乃至几百个窄波段连续的光谱覆盖，具备辨别地物光谱细微差异的能力，这为某一地区高光谱影像分类提供了可能。但是高光谱遥感数据存在波段数目多、相关性高、空间分辨率较低等一系列问题，通过面向像元与面向亚像元的分类方法，旨在挖掘高光谱数据的应用潜力，为高光谱影像分类深入研究提供帮助；同时，减小高光谱数据缺陷带来的影响，发挥其光谱优势，最终达到进一步提高土地利用分类精度的目的。本文以Hyperion高光谱数据为数据源，选取杭州余杭百丈镇为试验区，围绕Hyperion高光谱影像分类这一目标展开。第一部分基于Hyperion高光谱预处理数据比较了基于像元级别的两种无参机器学习方法—支持向量机和神经网络在同一训练样本条件下的学习结果，结果表明支持向量机优于神经网络；第二部分基于Hyperion高光谱遥感预处理数据，结合纹理信息，在线性分离的光谱信息基础上，实现对土地各地物的分类，取得了满意的分类效果。主要结论如下：（1）虽然从形式以及分类实质上，支持向量机与神经网络分类有类似之处，但是由于两者对输入数据样本要求不同，两者功能结构不同，参数设定的复杂程度不尽相同，在假定像元为纯净像元，有限训练样本条件下，支持向量机各地物分类的生产精度和用户精度范围分别是63.89%-98.67%，67.26%-95.39%，神经网络精度范围为2.95%-99.21%，33.23%-94.18%，支持向量机能够取得全局最优解，而神经网络只能取得局部最优，其马尾松、栎类精度均高出支持向量机16%和15%。（2）纹理分析结合其他辅助要素，在中低空间分辨率高光谱遥感数据上也能得到较好的分类结果，在波谱与纹理结合方法操作下，建筑物精度较单源信息光谱角制图与单源信息支持向量机分别提高了34.13%和17.16%，农田提高了19.71%和9.24%，马尾松则改善了27.09%和5.42%，栎类精度提高了近3%和10%。要想提高精细植被类型，多种分类器的结合或是特征的综合运用是一种有效办法。纹理分析时，不同的纹理窗口对分类精度产生不同的影响，本文中，5×5窗口总体精度及Kappa系数最高，达到87.32%，0.83。（3）对于中低空间分辨率的Hyperion高光谱数据来说，大部分像元是以混合像元的形式存在，但是基于像元级别的支持向量机和神经网络分类两种方法识别的精细植被类型精度较高，这也验证了高光谱数据独特的光谱优势。