高光谱图像分类是高光谱图像分析中的一个重要研究领域。在考虑高光谱图像的光谱信息和空间信息的基础上,许多优秀的算法被提出应用于分类之中。遥感高光谱图像中大量的混合像元使可分性减弱。当前的高光谱分类都是单标签分类,从标签的角度看,用单标签来标记混合像元内的多种地物是不合适的。从分类的角度看,混合会让光谱特征空间的类内差异变大,类间差异变小,导致最终的分类结果变差。针对混合像元的存在,本文将多标签学习的思想应用到了高光谱分类上,使一个像元可以拥有一组合适的标签。本文在高光谱多标签分类上的研究主要包括三个方面:（1）制作了三个高光谱多标签数据集。目前没有高光谱多标签分类数据集,但是有公用的高光谱解混数据集,其中包含端元与相应的丰度信息,这与高光谱混合像元的物理机制完全一致。因此,本文依据Samson、Jasper Ridge和Urban三个高光谱解混数据集,制作了相应的三个高光谱多标签数据集。（2）提出了基于类属特征的高光谱多标签分类算法。高光谱图像的像元往往包含多种地物目标,光谱曲线的可分性弱。针对这一问题,本文将训练实例按照原始标签划分为正负类实例集合分别进行k-means聚类,然后让聚类中心和实例集合通过光谱角-欧氏距离映射得到类属特征,用于完成分类任务。（3）提出了基于样本丰富和类间关系的标签判别特征构造算法。高光谱分类数据集常常呈现出类间样本的不均衡性和类内光谱的多样性,且分别对正负类实例进行k-means聚类的方式没有考虑类间关系。针对这一问题,本文采用SMOTE过采样来丰富光谱曲线,并将考虑正负类实例关系的SIA聚类用于标签判别特征的提取。