分类是高光谱遥感图像分析最重要的技术手段之一。然而,训练样本的不平衡分布以及过高的光谱特征维度使得高光谱图像分类成为了一项非常具有挑战性的任务。为此本文提出了一个新的分类框架,该框架使用更丰富的优化特征对多个高效的基础分类器进行训练,实现了很高的高光谱图像分类精度和效率。首先,提出了一种特征优化方法用于提取包含更多有用信息及更低维度的优化特征。我们首先对光谱特征或空间特征进行去噪降维,然后将降维后的高信噪比特征映射到另一个略高维度的特征空间中从而生成优化光谱特征或优化空间特征。这两种优化特征都可以提升分类器分类精度及分类效率。其次,提出了一个相似相邻样本搜索方法来解决训练样本不平衡分布问题。根据高光谱图像中均匀区域大量存在这一事实,将真实训练样本的空间相邻样本作为备选样本集,并从中挑选出最有可能与真实训练样本同标签的样本作为新的训练样本。该方法不仅考虑了真实训练像素与其空间相邻像素的相似性,也考虑到周围样本本身的内部一致性。因此这一方法可以比较准确地提取出与真实训练样本具有相同标签的空间相邻样本,从而平衡训练样本的分布。然后,提出一种基于随机子空间集成的优化分类算法,该方法首先使用相似相邻样本搜索方法平衡训练样本集的分布,然后使用优化空间特征对基础分类器进行训练。该方法能克服原始随机子空间集成方法计算复杂度高、分类效果不稳定等缺点。此外,为验证特征优化方法的有效性,我们将光谱信息进行特征优化用于提升光谱分类器的分类表现。最后,通过充分的对比实验来证明所提出的方法的优良性能。我们也对所提出的方法的相关系数进行实验分析。通过使用所提出的优化空间特征和优化光谱特征,多种分类器都可以在更短的时间内获得更高的分类精度,进一步证明了所提出的特征优化方法的有效性。