高光谱图像蕴含着丰富的地物特征信息,不仅保留了图像的空间信息,还获取了高分辨率的光谱信息,可以有效实现多特征融合,挖掘出地物的本征特性,利于对地物的定量分析和精细分类。然而高维度的高光谱图像数据存在着非线性分布、冗余度高等亟需解决的难点。因此,对高光谱图像进行特征提取,以获取有效的低维特征,使得后续分类更为高效且准确,是目前研究的热点。本文利用高光谱遥感图像的多种结构信息进行研究,基于统计理论、流形学习和图嵌入等模型,挖掘高光谱图像的有效特征。相关工作如下:（1）介绍了高光谱遥感技术的发展意义和高光谱遥感数据的优势和难点所在,总结了国内外学者在高光谱遥感数据特征提取方面的研究现状和几种经典理论方法,以及三个数据集和分类评价指标等。（2）提出多结构统一判别嵌入（MUDE）的特征提取算法,利用邻域几何结构、切向仿射结构和高斯统计特性表示高光谱数据中像元及像元间的内在结构,实现不同结构的互补,从而提取更具判别性的特征。最后通过实验证明了该算法能有效提升后续分类性能。（3）提出无监督域自适应切向结构联合特征迁移（UTSJT）的特征提取算法,利用联合分布将源域和目标域之间的特征与分布对齐,通过考虑二者的边缘及条件分布概率,使其差异最小化,从而有效减小其分布偏移,同时考虑了样本间的几何结构,基于切向信息对源域和目标域进行构图,以便在特征迁移过程中保持样本的局部流形结构,从而有效减小源域和目标域之间的几何偏移。最后实验结果表明,该算法利用源域的先验信息获取目标域的有效特征,有效地提升了后续分类的效率和精度。