高光谱图像具有波段多、信息冗余度高的特点。若将所有波段作为特征直接参与分类,则导致计算量大,效率低下。若选择其中一些波段作为特征,则会丢失一些光谱信息,致使分类效果不够理想。因此,如何有效且充分的利用光谱信息从而提高分类精度成为高光谱图像分类中研究的重点和难点。随着非线性理论的不断发展,多尺度熵算法已经广泛的应用于各个领域中,然而目前还没有应用到遥感领域。为了实现在高光谱图像分类中有效且充分利用光谱信息,本文将多尺度近似熵算法和多尺度样本熵算法引入到高光谱图像分类中,并设计了选取最优多尺度熵特征算法。本文的具体研究内容如下:（1）首先描述多尺度近似熵特征计算方法,并对多尺度近似熵参数的变化所引起的近似熵值波动情况进行分析,选取合理的嵌入维数和公差范围,分析不同地物像素的多尺度近似熵曲线的变化规律,设计最优多尺度近似熵特征选择方法。其次描述了多尺度样本熵特征计算方法,并对多尺度样本熵参数的变化所引起的熵值波动情况进行分析,选取合理的嵌入维数和公差范围,分析不同地物像素的多尺度样本熵曲线的变化规律,设计最优多尺度样本熵特征选择方法。最后将选取的两种最优多尺度熵特征分别代入支持向量机（Support Vector Machine,SVM）分类器,进行高光谱图像分类。（2）为验证本文算法的可行性和有效性,分别在Salinas图像、Pavia U图像和Indian Pines图像上进行分类实验,对其结果进行定量定性精度评价,并与经典的高光谱图像分类算法和单一尺度下的近似熵算法和样本熵算法进行对比分析。实验结果表明,本文的两种算法兼顾了有效剔除图像中包含的冗余信息又最大程度地保留图像中所有的光谱信息,有效地提升了高光谱图像分类精度,为高光谱图像分类提供了一种新的思路和选择。该论文有图29幅,表10个,参考文献67篇。