高光谱图像分类是遥感图像区分地物和判读地物目标的主要方法之一,也是遥感领域中热点研究问题之一。高光谱图像通常包含丰富的连续窄波段和光谱信息,可以广泛的应用于矿物勘探、农业和环境监测等领域。这些应用促进了高光谱图像分类算法的优化和完善,其中基于协同表示的分类算法使用带标记的训练样本线性表示测试样本,并根据表示残差确定测试像素的类标签,整个分类过程不需要假设任何数据密度分布,也不需要用训练样本训练分类器模型。因此,协同表示算法在遥感图像分类领域备受关注。但传统的协同表示算法仅仅将光谱信息和空间信息作为分类特征输入到模型中进行分类,没有对分类模型进行优化。针对协同表示算法分类模型需要优化的问题,本文提出了两种基于联合空间感知协同表示(joint spatial-aware collaborative representation,JSaCR)的高光谱图像分类方法。针对高光谱图像分类中以纹理信息作为分类特征存在的分类信息不全面的问题。本文提出了基于纹理正则的联合空间感知协同表示方法(texture regularized-based joint spatial-aware collaborative representation,TRJSaCR)。首先,算法获取去噪后的高光谱数据集、高光谱图像坐标值和纹理先验数据。其次,将纹理特征作为正则项加入JSaCR的目标函数中约束表示系数,通过求目标函数的解析解来重构测试样本。最后,根据表示残差确定测试像素的类标签来实现分类。实验结果表明,TRJSaCR比JSaCR算法的分类效果更好,且更具普适性。针对分类器在对图像分类后仍然存在误分类像素的问题。本文将空间信息辅助判别规则(spatial information-assisted discrimination rules method,SIDR)加入TRJSaCR算法。该算法在TRJSaCR的后处理中结合SIDR,进一步提出了结合空间信息辅助判别规则的纹理正则联合空间感知协同表示(TRJSaCR-SIDR)分类算法。首先,算法在拆分完数据集后根据测试样本对应的坐标封装其邻域光谱信息。其次,由TRJSaCR确定测试样本及其邻域样本的类别标签。最后,在TRJSaCR-SIDR算法的后处理中通过考虑邻域标签的分布来确定测试样本最终类别标签。实验结果表明,与支持向量机、协同表示、稀疏表示、正则化子空间、空间感知协同表示、联合空间感知协同表示、JSaCR、TRJSaCR算法相比,TRJSaCR-SIDR算法分类效果最好。本文的创新之处在于,从纹理特征作为正则项改进JSaCR算法,以及针对分类后仍存在误分类像素问题,通过结合纹理正则改进JSaCR算法,对分类过程中、后两个方面进行算法的改进与优化。研究工作的意义,在高光谱分类中利用空间信息拓展JSaCR分类方法的思路。即使在训练样本是小样本的情况下,仍能保证分类结果的准确性。在两个标准高光谱数据集Indians Pines和Pavia University上的实验结果表明,所提出的算法优于其它最新分类器。