高光谱遥感技术因其光谱分辨率高、图谱合一的独特优点,自出现以来就一直广受世界各国研究者们的关注。作为高光谱图像解译中最为重要的研究方向,地物分类在过去的几十年里取得了丰硕的成果,在地质勘探、城市管理、军事侦察等领域都发挥着重要的作用。然而,随着高光谱图像的“大数据”化和应用需求的不断提升,数据的自身属性限制使得分类技术在许多情况下面临着信息提取与模式识别上的困难:噪声干扰导致的空间和光谱信息失真影响了类别预测的可靠性;高分辨率成像条件下图像中复杂的地物空间结构使得类判别特征难以提取;不同场景中相同地物类别的样本特征存在分布、维度等方面的差异,阻碍了监督信息的跨场景利用。面向这些问题,本文从高光谱图像信息恢复出发,深入探究复杂地物的有效类判别空谱特征提取方法,并依据样本特征在不同场景中的属性差异,分别从同构迁移和异构迁移的角度对跨场景域适应分类展开研究。论文的主要内容包含以下几个部分:论文首先针对噪声干扰条件下高光谱图像的信息失真对分类准确性所带来的影响,提出了一种基于混合正则化的空谱信息恢复方法。该方法通过联合全变分和低秩先验约束来保持高光谱图像在空间与光谱维度上的数据特性,并针对稀疏噪声引入了一种L0范数的等价表达形式作为约束项来克服现有模型在该方面的度量偏差,在保留图像空谱特性的同时实现了高斯、脉冲等混合噪声的去除以及条带和坏线的修复。仿真和真实数据的实验证明了所提方法能够有效地从含噪数据中恢复空间和光谱信息,改善高光谱图像的质量,提升分类精度。在空谱特征挖掘方面,论文针对高分辨率成像条件下复杂地物的空间结构特征难以准确描述的问题,提出了一种基于联合卷积稀疏分解的多尺度空谱特征提取方法。根据图像的空间信息可分解为特定尺度下与地物类别性质相关的结构分量和无关的局部纹理分量这一特性,论文引入了联合卷积稀疏分解算法,采用逆问题求解的方式分离得到不同尺度下高光谱图像的空间维度结构特征。通过采用主成分提取方法对各尺度下样本在光谱维度上的类间差异进行增强,论文在四组数据上实现了单场景的高精度分类,证明了所提方法能够更好地适应不同地物覆盖类型的高分辨率场景,为分类任务提供更有效的空谱特征。针对同类地物的判别信息在跨场景迁移时由于拍摄条件、传感器设置等不同所导致的特征差异问题,论文研究了高光谱图像的跨场景域适应分类方法。其中,针对源场景和目标场景为相同传感器获取、特征维度相同的情况,论文研究了基于空谱特征分布对齐的同构域适应分类方法。面向不同场景之间的特征分布差异问题,论文提出了一种联合概率分布适配与样本近邻关系保持相结合的同构域适应模型。在此基础上,论文利用联合稀疏分解提取的多尺度特征实现了同构域适应空谱分类;同时,论文还将域适应模型嵌入空谱双分支网络中,构建了一种深度同构域适应分类模型。通过在三组数据上进行跨场景分类实验,验证了所提域适应方法能够有效实现同构场景之间的空谱特征迁移,提升待分类场景在样本不足情况下的分类精度。针对源场景和目标场景数据为不同特征空间获取、具有不同特征维度的情况,在前述研究内容的基础上,进一步提出了一种联合分布对齐与跨域结构保持的异构域适应空谱分类方法。在采用联合卷积稀疏分解方法对源场景和目标场景提取多尺度空谱特征后,为解决两场景样本特征的异构性问题,论文在同构域适应研究的基础上引入了跨域局部结构保持准则构建异构特征对齐模型,通过对源域和目标域学习非对称变换将两个场景的空谱特征投影至共享子空间中。四组数据的域适应实验和模型分析结果表明,论文提出的方法能够有效实现异构场景之间的空谱特征迁移,在样本稀缺的条件下使目标场景的分类精度得到显著提升。