近年来成像遥感技术的快速进步促进了高光谱遥感领域方向的蓬勃发展。高光谱遥感数据集不仅具有较高的光谱分辨率和广泛的光谱范围,并且数据集波段众多且波段间关联性强,这使得高光谱遥感数据包含有丰富的地物信息,为高光谱图像分类在众多领域的应用提供了可能。但是在实际高光谱图像分类中用于分类的训练样本数据集通常难以获取,维度灾难问题影响图像的分类精度和效果。高光谱遥感数据本身类内的光谱变化较大,普遍性存在“同物异谱”的现象。若使用高光谱图像中原始地物光谱特征进行分类,得到的精度较低而且分类结果图中存在“椒盐现象”。为了获取更好的图像地物分类效果,需要充分利用高光谱遥感影像中的光谱信息与空间信息,缩小同地物类内的光谱差异,并扩大不同地物类别之间的光谱变化差异。本论文的主要研究工作是以下两个部分:(1)为了减少地物内部纹理的噪声进一步提高分类效果,本文提出了一种基于滚动引导滤波的高光谱图像光谱—空间分类方法。首先使用主成分分析算法对高光谱遥感数据做降维处理。之后对降维后的图像用高斯滤波进行模糊化,用来减少图像中的小尺度结构的噪声;然后将模糊化后的图像作为初始引导图像,对降维后图像使用递归滤波进行地物边缘结构保持,并将输出结果作为新的引导图像,重复这个过程直到恢复图像中大尺度边缘结构;最后,将获取的特征信息利用支持向量机对图像中的地物进行分类。实验在真实高光谱遥感图像上进行,结果表明在训练样本极少的情况下,本文方法也能获得较高的分类精度。(2)边缘保持滤波技术的目的是对图像进行平滑的同时保护边缘结构,由于真实高光谱遥感图像中存在复杂的空间结构,传统的基于边缘保持滤波的特征提取依赖于图像中梯度,许多视觉突出边缘并不对应图像梯度。为了在高光谱图像数据的特征提取的过程中充分利用边缘信息,本文提出一种基于语义的边缘保持滤波高光谱图像地物分类方法。首先对高光谱数据做降维处理,然后将基于尺度感知的滚动引导递归滤波与边缘检测得到的图像像素边缘的置信度融合在一起,获取对高光谱图像地物分类有用的特征信息。最后对提取的特征信息使用支持向量进行地物分类。实验结果证明,在训练样本数稀少的情况下,本方法也可以得到好的分类效果。