高光谱成像技术源于遥感科学,得益于光谱成像技术及光学仪器科学的进步,是近几年来迅速发展的一门新兴图像处理与分析技术。高光谱成像技术将先进的光谱成像技术与传统的二维空间成像技术融为一体,通过成像光谱仪,在连续分布的数十甚至几百波段的光谱范围内,对目标进行连续成像,获取目标空间特性的同时,采集目标连续变化的光谱响应信息。高光谱图像处理技术,因其在成分分析、目标分类与识别等方面所展现的优越性,已然成为地质科学、农业生产、食品安全、生物医学等众多领域的前沿科技。特征提取与分类识别技术一直是高光谱图像处理与应用的研究重点,此项技术的研究与创新具有较高的理论意义和实践价值。然而,高光谱图像本身存在数据量大、波段相关性强、数据冗余度高以及计算复杂度高等缺点,严重阻碍了高光谱成像技术的发展与应用。本文围绕“如何从海量高光谱数据中有效地提取目标空间信息和光谱信息进行处理和分类,从而提高分类精度和效率”的主题,研究基于多域联合特征提取的高光谱图像分类关键技术,主要研究工作包括：第一,针对高光谱图像本身数据量大、波段多且相关性强、数据冗余度高等问题,研究现有的高光谱图像特征提取方法,提出一种基于张量的稀疏特征降维方法(STDR)。 STDR方法将张量判别分析与稀疏表示相结合,首先采用不同尺度和方向的Gabor滤波组,对若干主成分进行滤波,抽取Gabor特征并完成二阶特征张量的构建;其次,将张量判别分析方法与稀疏表示相结合,对二阶特征张量进行迭代优化降维,提取稀疏张量特征。采用支持向量机分类的实验结果表明,该算法在张量框架下得到特征的稀疏描述,可在保持各特征之间的结构完整性的前提下实现数据降维,能够有效提高分类精度。第二,针对高光谱图像多域联合特征提取与分类问题,提出两种光谱域-空间域分类方法——多中心拟合MSAM-MRF分类方法与光谱域-空间域混合互相关约束条件下特定类建树进而生成随机森林的分类方法(CSRF):(1) MSAM-MRF算法基于传统的光谱角匹配算法(SAM),首先提出多中心拟合模型,克服传统方法采用单个均值中心代替样本集所产生的拟合度过低的问题；其次,考虑SAM算法本身是非概率方法,通过高斯概率模型假设引入马尔科夫随机场(MRF),将空间描述融入概率决策框架,并通过迭代寻优得到最优分类结果。多中心模型是一种参数控制条件下的多中心拟合算法,旨在通过决策域的分裂产生多个拟合中心,更加合理划分决策域,实现训练集合的高度拟合。(2) CSRF算法以随机森林分类器为基础,提出一种光谱域-空间域混合互相关约束特征提取方法和一种特定类构建决策树进而生成随机森林的分类策略。其中,混合互相关特征提取方法假设光谱向量为离散平稳随机过程中的随机变量,采用随机过程互相关描述光谱向量之间的关系,并构建光谱域与空间域混合互相关约束特征向量；特定类构建决策树进而生成随机森林的分类策略是指在随机森林的框架下,采用针对特定类别构建一组二分类决策树的思想训练内部决策树。每棵决策树仅含有一个节点,且在单节点上进行多特征融合的分类决策。