随着遥感对地观测技术的发展,单一类型的遥感图像已经无法满足逐渐增长的应用需求,而不同类型的遥感数据的之间会存在一定的差异性和互补性,因此越来越多的学者将目光转向了多源遥感数据的协同分类。在众多类型的遥感图像中,高光谱图像以其精细的光谱分辨率在地物分类中占据重要的地位,但高光谱图像普遍存在空间分辨率低的问题,空间分辨率的不足导致图像中会存在较多的混合像元,这给地物的精细分类带来了极大的干扰。因此,本文以高光谱图像为研究主体,深入探讨多源遥感图像协同的分类,本文的主要工作可以分为以下几个内容:（1）针对高光谱图像普遍存在空间分辨率上的不足,本文提出一种基于多尺度引导滤波的高光谱和多光谱图像融合方法,取多光谱图像经主成分变换后的前三个主成分分量构建三通道彩色引导图像,建立多尺度细节注入模型,将缺失的底层细节信息注入到原始高光谱图像中,以达到提升高光谱图像空间分辨率的目的,并且在两组实验数据上实现了高光谱图像的增强。（2）考虑到高光谱图像空间信息不足以及现实中标签数据匮乏的问题,本文提出一种基于空谱联合特征的多源遥感数据协同分类方法,通过分别对高光谱图像和多光谱图像进行特征降维及特征提取,去除冗余信息,保留主要的特征。将空谱联合特征作为堆栈自编码网络的输入,通过无监督预训练加上有监督的微调,提升模型在新样本上的泛化能力,并且避免高维数据带来的过拟合问题。实验结果证明,提出的方法有效改善了因模型训练不充分而造成在新样本上分类精度不高的问题。（3）为了发挥多源遥感数据综合利用的优势,本文从决策层提出一种基于决策修正的高光谱与多光谱图像协同分类方法,利用多光谱图像中的第一主成分分量对高光谱图像的初始分类结果进行决策修正,去除部分误分类情况。并且针对不同地物类别可能存在的空间分布上的差异,提出一种自适应修正策略,对每一种地物选取最佳的滤波核大小。通过对比实验发现,在多光谱图像协同分类的情况下,本章提出的自适应修正策略将进一步提升分类精度,为地物的精细分类提供了有力的支持。