近年来,高光谱遥感在城市规划、土地利用变化、灾害监测、地质填图、农林调查等领域得到了广泛应用,进一步提高高维数据的处理效率和分类精度成为迫切需要研究的问题。目前各种高光谱传感器的陆续发射,为高光谱遥感应用的扩展奠定了数据基础；另一方面,在遥感分类中分类器的性能直接决定了分类精度；不同分类器由于性能各不相同,能够提供关于待分类模式的互补信息,这为进一步提高遥感的分类精度提供了技术可能。然而从目前国内外现有的对高光谱影像分类的研究来看,基本上是仅仅利用高光谱数据中的光谱信息,大量的空间信息特别是纹理信息却没有被充分利用或者被忽略掉；实际上高光谱遥感数据的最大特点就是“图谱合一”,不仅包含了大量光谱特征信息,而且带有丰富的纹理特征信息；而光谱和纹理特征的提取需要高效的特征提取算法。在多分类器集成研究方面,也仅仅是在光谱信息方面探讨多分类器集成的方法,对结合纹理信息的多分类器集成的探讨还不深入,且对涉及高光谱数据的分类器的性能评价方面鲜有论述。高光谱影像的分类应该是在充分利用其本身重要信息的基础上,借助新型技术方法进一步提高分类精度。鉴于光谱信息和纹理信息都是高光谱数据中不可或缺的重要特征,而多分类器集成技术为这两种信息的结合提供了技术上的可能;因此,探讨结合光谱和纹理信息的多分类器集成方法,进一步研究提高高光谱遥感影像处理效率和分类精度的新方法,显得尤为重要。本文从高光谱遥感的基础理论出发,在高光谱影像的波段选抒、特征提取,高光谱影像纹理的描述与纹理特征提取,及多分类器集成等方而进行了进一步研究。(1)高光谱数据波段选择：提出了基于正交投影散度(OPD)的监督波段选择和基于自适应仿射传播(AP)聚类分析的非监督波段选择新算法。基于OPD的波段选择算法一方面继承了正交子空间投影(OSP)能够有效地分离感兴趣目标与背景信息,提高地物光谱区分度的特点；另一方面采用顺序浮动前向搜索算法进行波段选择,实现了对高光谱遥感影像的快速处理。自适应AP聚类分析克服了AP在消息传递过程中不能准确确定聚类中心个数的问题,可以实现快速聚类;同时可以从聚类结果中选择出最具有代表性的波段作为波段选择的结果,以便于后续的分析。这两种波段选择算法的提出不仅提高了高光谱影像分析的效率,而且为后续高光谱遥感影像的应用提供了技术支持。(2)高光谱数据特征提取：提出了基于改进κ-均值聚类的高光谱影像半监督/监督特征提取新方法。针对K-均值算法存在的初始聚类中心不稳定问题,提出了基于OPD/相似性非监督波段选择的改进方法；针对聚类数目难以确定的问题,提出了类距离函数RICD的改进方法；并在算法复杂性、显著性水平检验等方面对改进的K-均值算法进行了评估。(3)纹理描述与提取：将传统的用于单波段图像的灰度共生矩阵(GLCM)方法扩展到高光谱影像体空间,提出了“高光谱体纹理”的概念和体灰度共生矩阵(V-GLCM)的表达方法,并给出了基于V-GLCM的高光谱纹理描述与提取方法。高光谱影像体纹理可看作地物目标二维投影空间的不同表征点在光谱空间中的实函数,表征点值的集合则构成了体纹理。将半变异函数作为评估V-GLCM移动立方体窗口尺寸大小的方法,并对高光谱影像中纹理旋转不变性及方向问题进行了深入分析。提取了VGLCM纹理并其进行了分析。(4)结合光谱和纹理特征的多分类器集成：首先,提出了基于光谱聚类子空间的多分类器集成新方法(Clustering Subspace Ensemble, CSE);该方法利用改进K-均值将原始数据从光谱域分成若干个组,然后对每一组使用一个分类器,最后将各个组的结果进行集成；与传统的连续波段分组(如光谱相关系数矩阵)不同,该方法可以将不连续的波段分到同一组,这为改善多分类器的性能提供了可能；而且分组后,各个组的维度相对降低,有利于在小样本的情况下进一步提高影像分类精度。其次,基于提取的特征数据,提出了将光谱特征(优选波段与聚类特征)和纹理特征进行结合的高光谱影像多分类器集成方法,不仅充分利用了高光谱影像光谱空间的重要特征,而且充分利用了影像的纹理特征；实验结果表明,该方法可以有效地提高高光谱遥感影像的分类精度。(5)典型案例分析：以Cuprite矿物识别和DC Mall城市土地利用分类为典型应用案例,对本文提出的高光谱降维方法、光谱特征提取方法、纹理特征提取方法、结合光谱和纹理特征的多分类器集成方法进行了验证,证明了本文算法的有效性和适用性。