遥感技术中,高光谱遥感技术非常有利于深入挖掘地物的理化特性及不同地物的精细识别,因此其在图像分类和识别等方面具有独特的优势。但是由于高光谱技术在不同的时间,空间以及光谱波段所采集到的遥感图像的不同,产生了庞大的遥感图像数据,而且采集到的数据具有多波段,维度大的特点,因此遥感进入大数据时代。本文主要基于分布式云计算架构Hadoop,设计了像素的任务分配策略、分布式的类间距离求解和类别计算方法,对高光谱图像数据分类的最近正则子空间算法进行并行化设计。实验表明,针对高光谱图像分类算法的数据密集及计算密集问题,8个计算节点可以实现约6倍加速。与Hadoop相比,在Spark架构上并行实现的算法的加速效果更好,在其基础上加速了2倍左右,并且研究了分布式Hadoop与高性能计算GPU的融合,进一步提高并行效率。本文的主要内容安排如下:1、通过大量的文献调研,了解了遥感图像分类,云计算平台以及云计算技术在遥感图像处理上的应用。在学习了几种高光谱图像分类算法基础上,选择了最近正则子空间分类算法,并对其进行了编程实现。2、在分析了高光谱图像数据特性的基础上,对云计算技术中常用于分布式批处理计算的Hadoop架构和基于内存计算的Spark框架的相关技术和工作流程进行了研究。3、将最近正则子空间分类算法应用于Hadoop平台,使用并行编程框架MapReduce编程实现高光谱图像数据快速分类。考虑到目前的高光谱图像数据的海量增长以及图像分类的实时要求,分析了使用分布式并行架构Hadoop来实现该分类算法的优势,将高光谱图像数据进行分块,分发到多个节点上进行处理,并行化实现算法,达到了良好的加速效果。4、基于内存计算的开源集群计算系统Spark,结合最近正则子空间分类算法,研究在使用同一幅高光谱图像的条件下,与基于Hadoop实现的并行程序运行时间以及分类准确率进行比较,同时探讨在运行时不同节点数对分类效率的影响。5、研究分布式架构Hadoop与高性能计算GPU融合对实现矩阵加法并行加速,测试多组数据下,基于Hadoop与基于Hadoop-GPU运行时间。