高光谱图像包含数百个光谱带,这些光谱带的特征信息非常丰富,并且在遥感领域得到了广泛的研究。其中,高光谱图像的分类问题一直是遥感领域的研究热点。在传统的高光谱图像分类研究工作中,标记样本缺乏且难以获取一直是一个具有挑战性的问题。为了解决标记样本不足的问题,许多的高光谱图像分类方法被研究。其中,介于监督学习与非监督学习之间的半监督学习方法由于其可以充分利用未标记样本,因此受到极大的关注与研究。此外,集成学习方法可以有效的合理的结合多个基本分类器从而获得强分类器,分类精度可以进一步得到提升。在传统的集成学习分类方法中,在多个基本分类器的训练过程中,多个基本分类器之间缺乏有效的沟通与交流,没有完全做到“博采众长”。针对以上分析,本文提出了两种基于集成学习的高光谱图像分类方法:(1)一种基于多种类型的特征图像的集成学习分类方法被提出。该方法的主要思想是:通过高斯滤波和滚动引导滤波方法得到多种特征图像,选择支持向量机(Support Vector Machine,SVM)对特征图像进行分类,然后通过自适应增强学习方法灵活有机的组合所选择的特征图像,这种组合方式不需要复杂的计算。选择Indian Pines、University of Pavia和Salinas三幅真实的高光谱图像进行实验,验证提出方法的有效性,实验结果证明了提出方法优于 RMKL(Representation Multiple Kernel Learning,RMKL)以及 S2MKL(Sample-screening Multiple Kernel Method via Boosting Strategy for Hyperspectral Image Classification,S2MKL)方法。(2)一种基于多核互学习的高光谱图像分类方法被提出。该方法的主要思想是:利用熵值选择出具有信息量的未标记样本,多个基本分类器之间通过学习与交流为未标记样本赋予伪标签,利用新的训练样本训练模型得到新的分类结果,然后多个基本分类器的分类结果采用集成学习的思想进行组合。首先,每个基本分类器利用随机选择的训练样本集进行预训练,获得了初步的分类结果;其次,根据信息熵的概念,每个基本分类器计算样本的熵值,每个分类器均选择熵值较高的具有信息量的未标记样本组成未确定样本集;然后,多个基本分类器之间相互学习和协商来确定选择出来的未确定样本集的伪标签,形成了带有伪标签的新的训练样本;最后,将新的伪标记样本作为新的训练集的一部分,利用新的数据集再次训练模型。在Indian Pines、University of Pavia、Salinas三幅真实的图像上进行试验,试验表明提出方法比其它对比方法均表现了更好的分类性能。