近年来,高光谱图像(hyperspectral image,HSI)由于其丰富的光谱信息被越来越广泛的应用于地物勘探、农业遥感、海洋遥感、环境监测等领域。高光谱图像分类的目标是根据光谱特征将每个光谱像素分配给其中一个类。然而,高光谱图像分类面临一些新问题,例如:如何处理高维数据出现的Hughes现象、如何利用高光谱图像的空间信息以及如何消除不同类别内的差异。本文介绍了国内外高光谱图像分类算法的研究现状,并提出了一种基于组低秩张量分解的模型和一个结合超像素和低秩矩阵恢复的模型用于高光谱图像分类。论文的主要内容如下:1.基于组低秩张量分解的分类算法。本文提出了一种新的基于组低秩张量分解(GLRTD)方法,通过充分利用三维高光谱图像的低秩特性,可以显著地提高分类性能,从而缓解类内光谱差异变化对分类性能的影响。具体来说,首先用主成分分析(PCA)算法来减少高光谱图像的光谱维度。然后,将维数减少的图像分割成一组重叠的三维张量片,然后用K均值算法将其组合成一组。通过将每个组的相似张量展开成一组矩阵并将它们叠加起来,这些类似的张量块被构造成一个新的张量。其次,利用低秩张量分解(LRTD)算法估计了每个新张量的本质光谱张量及其相应的光谱变化张量。通过聚集各组内的所有本质光谱张量,我们可获得整体的本质光谱张量,并分离相应的光谱变化张量。最后,在本质光谱张量上进行像素级的分类,能反映不同物体的物质依赖性质。实际高光谱图像数据集的实验结果表明,所提出的GLRTD算法优于多种传统的高光谱图像分类方法。2.基于低秩矩阵恢复和超像素(LR-SP)的分类算法。在高光谱图像中,每个超像素可以看作是一个形状自适应区域,由多个空间相邻像素组成,这些像素具有非常相似的光谱特征。因此,高光谱中的每一个超像素可以被看作是低秩矩阵。所提出的LR-SP方法首先利用过分割算法将高光谱图像聚类成许多超像素。然后利用低秩矩阵分解(LRMD)来提取超像素内的空间特征。在两个广泛使用的高光谱图像数据集的实验结果表明,所提出的LR-SP方法分类性能超过了多种传统的分类方法。