随着成像光谱仪的发展,高光谱图像的成像精度不断提高,在经济建设与国防安全领域的作用日益上升。与之而来的是高光谱数据维度急剧上升,非线性增强,这给传统的高光谱分类以及变化检测方法带来了挑战。本文通过研究传统高光谱分类以及检测方法中存在的问题,分别提出了对应的改进算法,提升了精度和效率。本文首先改进了SVM分类器使用的传统OAO策略。通过引入最大误差上界中的Chernoff距离和Jeffries-Matusita距离作为类别之间的可分性度量,分别构建了基于C距离的OAA策略和基于JM距离的类对决策树策略。同时对SVM分类器的核函数进行定制,通过加权使得分类器更加适应数据集。实验表明,两种方法都可以有效的提升分类算法的精度和效率。然后提出了应用于高光谱分类算法的视觉词袋模型。高光谱数据非线性严重,因此视觉词袋模型中采用CNN作为特征提取部分,有效弥补了传统分类器的不足。同时改进了SLIC算法,使其能够运用在高光谱图像数据上。词袋模型结合了空谱信息,弥补了传统算法中只使用光谱信息的不足。最后通过实验验证算法的有效性。最后针对高光谱变化检测任务提出了CNN-LSTM模型。变化检测任务可以看成特殊的分类任务,模型通过LSTM单元利用时序信息,改进了传统分类算法无法利用时序信息的缺点。同时模型提取的特征保证了样本不足时的迁移学习的辨识精度。通过非迁移学习以及迁移学习实验验证了该模型的有效性,且在复合样本的迁移学习实验中验证了该模型优于CNN模型,证明了时序信息在高光谱变化检测任务中的重要性。