过去二十年,高光谱图像已经被广泛的应用于各个领域,高光谱图像的分类是高光谱图像应用中的一个重要问题,有很多研究人员已经提出了一些分类方法,但是由于高光谱图像的高维小样本特性使得高光谱图像分类问题仍然是一个难题。本文先对高光谱图像的发展和现有的方法进行综述,然后重点论述稀疏表示方法在高光谱图像分类中的应用并提出自己的处理算法。论文的主要研究内容如下:(1)基于随机子空间的联合稀疏表示的高光谱图像分类方法高光谱图像的高维小样本特点,使得已有的分类方法受Hughes现象的影响。本文中,提出一种新的高光谱图像分类框架,来减弱甚至消除Hughes对分类方法的影响,提出的方法主要有下面四个步骤:首先,从原有的光谱特征空间中随机选出一些特征,构成随机子空间;同时,使用扩展的超像素分割方法对高光谱图像进行分割;然后,在得到的随机子空间中使用结合空间和光谱的分类方法得到每个子空间中分类结果,本文使用是联合正交匹配追踪算法(SOMP,Simultaneous Orthogonal Matching Pursuit);最后,采用多数投票的方式,选出最终的分类结果。本文最后通过在三个真实的实验数据集上,对比其他分类方法,证明本文提出的方法在分类精度和鲁棒性上有很好的实验效果。(2)基于字典学习的稀疏表示的高光谱图像分类方法已有的很多稀疏表示方法都是直接将训练样本作为字典,有研究者证明可以从训练集中学习到更加鲁棒的字典,但是这类字典学习方法仅仅考虑了光谱信息,从已有的方法中知道,引入空间信息可以有效的提升分类精度,然而一些考虑空间信息的方法,在引入空间信息时考虑的是一个矩形邻域,并假设邻域中的像元由相同的物质组成,但是在边沿位置即属于不同类的像元相邻的位置,这个假设并不成立,所以需要一类高光谱图像分割方法,按光谱像元的差异性将高光谱图像分成多个不重叠的组,使得每个组内的像元都尽可能的由相同的物质组成。本文提出一种基于字典学习的高光谱图像分类方法。提出的方法首先对高光谱图像进行分割,然后在分割得到的超像素上通过上下文字典学习方法得到字典,在字典上得到每个样本的稀疏表示,最后,在得到的稀疏表示上构建支持向量机分类器,对测试样本进行分类。通过在三个真实的高光谱图像上进行对比实验,验证提出方法有很好的实验效果。