高光谱图像分类技术一直是高光谱图像处理技术的研究热点之一，它被广泛应用于科研、军事、农业等领域。稀疏表示在高维数据处理中表现出的具大优势和灵活性使得基于稀疏表示理论的高光谱图像分类方法得到了快速的发展。但是如何充分利用光谱信息和空间信息来提高分类精度一直是高光谱图像分类研究的难点。本文针对高光谱图像分类做了以下两个主要工作：　　1．针对多特征融合方式的问题，本文提出了一种基于多特征自适应稀疏表示的高光谱图像分类方法（MFASR）。首先，分别提取原始高光谱图像的四种不同特征，这些特征反映了不同形式的谱间信息和空间信息。其次，采用了一种自适应稀疏表示模型来融合上述四种特征，并得到多特征稀疏系数矩阵。最后，通过多特征稀疏系数矩阵还原被测试像素的多特征信号，并计算多个特征的原始信号与还原信号之间的残差和，以残差和最小准则来判定被测试像素的最终分类结果。该方法所采用的自适应稀疏表示模型在融合多特征时，不仅考虑了多特征之间的差异性和互补性，而且保证了多个特征之间的相似性和多样性。实验结果表明，MFASR方法能够有效提高分类精度；同时，在小样本量的分类场景下，仍然能够保持较高的分类性能。　　2．针对如何选择被测试像素局部邻域的问题，本文提出了一种基于形状自适应邻域的MFASR高光谱图像分类方法（MFASR_SA）。该方法采用了一种形状自适应（Shape-Adaptive,SA）邻域算法，能在被测试像素周围特定区域内寻找与被测试像素相似性较高的像素来自由确定一个八边形邻域，能充分结合像素间的空间分布关系来提高分类精度。实验结果表明，MFASR_SA方法能进一步提高了分类精度。