高光谱图像是一种包含了图像空间信息和光谱信息的三维立体图像。随着高光谱遥感技术的发展,高光谱图像被广泛应用在地物分类、农业检测、资源调查、环境评测和城市研究等领域。由于高光谱图像具有较高的光谱分辨率、丰富的光谱信息等特点,并能够精确地检测和区分土地覆盖类别之间的微小差异,高光谱图像分类逐渐成为一个重要的研究领域。在高光谱图像分类研究中,将光谱和空间信息相结合进行分类的算法已经相对成熟,但仍存在:1)维度高计算量大,2)降维方式易丢失信息,3)降维过程中忽视光谱和空间信息间的潜在联系等问题。为此本文提出了三种基于典型相关性分析的复合核框架用于高光谱图像分类。1.为了充分利用光谱和空间信息间的潜在关系,本文提出了一种基于典型相关性分析复合核框架用于高光谱图像分类。引入典型相关性分析对光谱信息和空间信息进行处理,得到冗余度更小且经过降维的两组信息,然后使用核方法进行信息融合,最后输入分类器中。通过对两组真实的高光谱数据集进行实验,证实了本文提出的算法相对于一般复合核框架能够有效提高分类精度,并且在小训练样本集的情况下有着更强的鲁棒性。2.考虑到高光谱图像的维度特性,本文进一步提出基于二维典型相关性分析复合核框架的高光谱图像分类算法。所提出算法首先提取光谱信息和空间信息,然后对高光谱图像的每个像素点信息进行处理,将其转化为二维数据,再引入二维典型相关性分析对光谱信息和空间信息进行重新表示,最后使用复合核进行信息融合并输入分类器分类。通过对两组真实高光谱数据集进行实验,验证了本文所提出方法的有效性。3.最后,为了融合包括光谱和多个空间信息的多个特征,基于多核学习方法,本文提出基于多点集典型相关性分析的高光谱图像分类算法。该算法在使用光谱信息的同时,添加多种特征的空间信息,然后引入多点集典型相关性分析进行处理,以充分利用多种特征下的空间信息。实验结果表明,提出的算法能够充分挖掘光谱信息和空间信息间的潜在联系,减小信息冗余,且能够实现数据降维,减少训练时间,提高了现有分类算法的准确率和鲁棒性。