高光谱影像维数高、波段之间相关性强等特点，使许多传统的遥感数据处理技术失去了作用。针对高光遥感影像分类而言，训练样本标记不足又是一大挑战。半监督学习通过利用未标记样本的信息来帮助标记样本提高分类器的学习性能，重在解决学习过程中训练样本不足所引起的病态学习问题。本文将半监督学习思想结合支持向量机分类原理引入到高光谱影像分类中，系统地研究了半监督分类的基本理论，并基于不同的模型研究了半监督支持向量机高光谱影像分类中的问题，并提出了相应的解决思路。论文主要内容及结论如下：(1)鉴于传统自训练半监督分类中未标记样本的选择主要是基于某一类整体进行选择的策略，容易造成训练样本的不平衡，提出了一种基于样本对样本的未标记样本选择策略，并结合该策略构建了基于自训练的半监督支持向量机高光谱影像分类算法。通过高光谱影像数据对所提出的算法的试验表明：该半监督算法具有较好的稳定性和有效地的改善了少样本情况下支持向量机的分类性能。(2)将空间信息引入到半监督分类中未标记样本的选择过程，有效地解决了因为传统相似性度量方法在高光谱影像中的不适用性，以及对半监督分类过程中未标记样本选择的误差累积问题，同时通过空间信息有效地扩大了训练样本空间分布信息，提高了分类器训练过程中样本的信息量。实验结果表明，所提出的结合空间信息进行样本增选的半监督高光谱影像分类算法能够有效提高高光谱影像的分类精度。(3)提出了一种基于单视图多分类器的协同训练高光谱影像分类算法。在给定高光谱影像和少量标记样本情况下，通过两种不同的分类方法支持向量机和K近邻分类器构建了协同训练算法。分类实验结果显示，所提出的协同训练算法对高光谱影像分类具有优异的性能。研究中发现，协同训练对差异信息的挖掘在解决半监督分类过程中训练样本信息量不足等方面优势突出。