高光谱图像分类是对地观测中的一种重要手段，已被广泛应用到精准农业、环境保护、资源勘探等领域。在众多高光谱图像分类算法中，联合稀疏表示高光谱图像分类（JointSparseRepresentationClassification,JSRC）作为一种经典算法，整合了高光谱图像的空谱特征，从而达到提高稀疏表示分类（SparseRepresentationClassification,SRC）算法精度的目的。然而，由于联合稀疏表示分类算法是基于窗技术来选取邻域信息的，致使当待测像素位于区域边缘时，算法的分类精度极易受到异类像素的干扰而降低。针对这种情况，本文提出了两种解决方法，具体如下：
　　1、针对JSRC算法中出现的搜索窗内异类像素的干扰问题，本文提出一种基于区域划分的联合稀疏表示分类算法(Region-Division-BasedJointSparseRepresentationClassification,RDJSRC)。该算法首先利用隐马尔科夫随机场(HiddenMarkovRandomField,HMRF)分割算法对高光谱数据进行区域信息的提取，然后再利用其来辅助剔除搜索窗内的异类像素，将剩下的属于同一区域的像素堆叠成新的联合信号矩阵，最后进行联合稀疏表示分类。实验结果表明，提出的算法在IndianPines、Salinas、PaviaUniversity这三个数据集上的表现均优于其他经典的高光谱图像分类算法。对于JSRC，RDJSRC在三个数据集上总体精度有1%-2%的提升。
　　2、对于搜索窗内异类像素的干扰问题，本文在非局部加权联合稀疏表示分类（Non-LocalWeightedJointSparseRepresentationClassification,NLW-JSRC）算法的基础上，提出了一种自适应旋转加权联合稀疏表示分类（AdaptiveandRotatingWeightedJointSparseRepresentationClassification,ARW-JSRC）算法。该算法首先采用矩阵窗的旋转变换来获取光谱角修正系数，以修正NLW-JSRC未考虑图像空间结构的方向性所带来的像素间相似性错误度量。接着，提出新的权重公式为搜索窗内的每个像素赋权，其中采用类间光谱角的最大值与最小值的中值作为新权重公式的自适应阈值。最终为搜索窗内的像素赋予更加合适权重，从而减少窗内异类像素的干扰。实验结果表明，ARW-JSRC在三个数据集上的性能表现均优于几种经典的算法。特别对于JSRC，ARW-JSRC在三个数据集上总体分类精度有2%-5%的提升。