近年来,高光谱遥感图像分类已成为地表物体检测的主要方法,在各个领域被广泛应用。然而,高光谱遥感图像分类仍存在诸多问题:(1)图像标签数量有限;(2)空谱特征种类多、维度高,处理较为复杂;(3)不同类地物的面积大小分布不均,空间特征难以对其进行准确刻画。本文针对上述问题,在分析高光谱数据特性的基础上,挖掘了高光谱数据中的低秩先验知识,提出将低秩表示(Low-rank representation,LRR)理论应用在高光谱图像空谱分类中,并设计了相应的高效算法。本文的主要贡献如下:(1)提出了基于局部低秩表示的高光谱图像半监督分类方法(Semi-supervised hyperspectral image classification using local low-rank representation,SL2R)。高光谱图像中样本数量大,标注代价高昂,本文采用半监督的分类策略,充分利用无标签样本来进行分类。首先,借助标签传播算法对无标签像素进行标签初始化;其次,为每个无标签样本开辟一个局部邻域空间,通过低秩表示获取局部样本的低秩系数,在此基础上建立局部邻接矩阵;最后,基于局部邻接矩阵对样本进行迭代的半监督分类。在Indian Pines和Botswana数据集上的实验表明,与其他高光谱图像分类算法相比,该算法在面对不同数量的有标签样本时,均能取得更出色的分类结果,同时,在类别边界区域能够有效避免标签模糊问题。(2)提出了一种基于鲁棒鉴别空谱多特征提取的高光谱图像分类方法(Hyperspectral image classification based on robust discriminative extrtaction of multiple spectral-spatial features,RDMFE)。该算法在提取特征时,对不同空谱特征的特性进行探索,并且对噪声具有一定的鲁棒性。首先,借助低秩表示系数获取样本间的关联,并约束样本在低维子空间中仍保持此关联;同时,为了保留多种空谱特征各自的特性,赋予每种特征的投影矩阵一个权重;接着,为了充分利用高光谱数据的鉴别信息,设计了一个理想的低秩0-1二值矩阵,使得低秩系数更具合理性;最后,在获得低维特征后,使用支持向量机对图像特征进行分类。在Indian Pines、Urban和Pavia University Scene数据集上的验证实验表明,与其他特征提取方法相比,该算法提取的特征均能有效提高分类准确率;在面对含有噪声的数据时,该算法仍能获得良好的分类效果。(3)提出了一种基于多尺度空谱特征提取的高光谱图像分类方法(Multi-scale spectral-spatial featureextraction,MSSFE)。针对高光谱遥感图像不同类地物面积分布不均的问题,使用多尺度策略对地物分布进行刻画,增强了空谱特征的有效性。首先,借助不同尺度的局部带权滤波算子对像素进行滤波处理,提取不同尺寸空间邻域内的空谱特征;接着,将不同尺度滤波后的特征连接,使用鲁棒鉴别多特征提取方法进行特征降维;最后,借助支持向量机对像素的低维特征进行分类。在Indian Pines和Botswana数据集上的实验表明,该算法能有效提高高光谱图像分类的准确率,并且其分类结果优于仅使用单一尺度空谱特征的方法。