高光谱图像分类问题是高光谱遥感领域中非常重要的研究课题,在民用和军用等方面均具有广泛的实用价值和应用前景。如何有效地综合考虑像元的光谱特征信息和空间结构信息是提升高光谱图像分类算法精度的关键。本文对基于空谱联合模型的高光谱分类算法进行了深入研究,主要创新工作如下:首先,本文将最近子空间算法扩展到高光谱图像分类领域,提出了联合鲁棒最近子空间分类模型。该算法通过在联合子空间模型中引入加性稀疏噪声来考虑邻域像元矩阵中的异常噪声,并定义鲁棒最近子空间距离来度量邻域像元样本矩阵与每类训练样本集合间的差异。在此基础上,本文提出了鲁棒语义原型学习算法通过迭代优化的方式获得对训练样本更加有效的原型表示。实验结果表明,本文所提出的联合鲁棒最近子空间距离和鲁棒语义原型算法均能逐步提升高光谱图像分类算法精度。其次,本文针对如何有效获得及利用表示系数的问题,提出了基于两阶段空谱联合表示模型的高光谱分类框架。本文提出了联合协同表示模型和联合结构化稀疏表示模型,并给出了相应的优化求解方案。在此基础上,本文将上述模型获得的表示系数作为新的特征用来训练分类器模型。在测试过程中,将联合表示模型的分类概率输出和分类器模型的分类概率输出相融合,以获得最终的分类输出。实验结果表明,本章所提出的算法具有良好的精度优势和泛化能力。再次,本文通过引入集合到点的距离将传统K近邻算法扩展到高光谱图像分类领域,提出了基于空谱联合K近邻的高光谱分类框架。该算法定义了一种新颖的集合到点的距离以最小均方回归形式来刻画邻域样本集合到每个训练样本的距离。从子空间角度,该距离可以解释为训练样本点距离测试样本子空间的远近。随后,本文将上述距离和加权K近邻分类算法相结合提出最终算法框架,从而实现精确的高光谱图像分类。最后,本文将测试样本集合和每类训练集合矩阵分别看作两个凸包,并利用凸包表示模型来刻画两个集合之间的距离,提出了基于集合度量的高光谱图像分类算法。与本文提出的其他算法相比,该算法能够同时建模邻域像元的空谱信息和训练样本的结构信息。此外,本文还提出了一种基于能量最小化的标签优化算法,该算法针对传统高光谱分类算法获得的分类概率进行优化,从而进一步提升分类算法的精度。