高光谱分类任务中,由于波段数量较多,图像中包含噪声以及各类地物样本分布不均匀,导致分类精度与训练效率不能平衡以及在小样本上分类精度低。针对上述问题,提出一种基于级联多分类器的高光谱图像分类方法。首先,采用主成分分析方法将高度相关的高维特征合成无关的低维特征,以加快Gabor滤波器提取纹理特征的速度;然后,使用Gabor滤波器提取图像在各个尺寸、方向上的纹理信息,每一个滤波器会生成一张特征图,在特征图中以待分类样本为中心取一个d*d的邻域,计算该邻域内数据的均值和方差来作为待分类样本的空间信息,再将空间信息和光谱信息融合,以降低光线与噪声的影响;最后,将谱-空联合特征输入级联多分类器中,得到预测样本关于类别的概率分布的平均值。实验采用Indian Pines、Pavia University和Salinas三组数据集,与经典算法如支持向量机和卷积神经网络进行比较,并采用总体分类精度、平均分类精度和Kappa系数作为评价标准对实验结果进行分析。本文方法总体分类精度在三个数据集上分别达到97.24%、99.57%和99.46%,相对于基于RBF核函数的支持向量机方法提高了13.2%、4.8%和5.68%,相对于加入谱-空联合特征的RBF-SVM方法提高了2.18%、0.36%和0.83%,相对于卷积神经网络方法提高了3.27%、3.2%和0.3%;Kappa系数分别是0.9686、0.9943和0.9956,亦有提高。实验结果表明,提出的方法应用于高光谱图像分类具有较优的分类效果,训练效率较高,无需依赖GPU,而且在小样本上也具有较高的分类精度。该论文有图19幅,表11个,参考文献52篇。