高光谱图像通常具有多模态类和模糊的类边界，空间自适应分类是遥感图像领域中具有挑战性的难题。由于高光谱图像包含多种感兴趣目标，而每种目标又包含变化的光谱信号，目标之间光谱可分性差。因此，很难找到一种通用的模型对高光谱图像各种地物光谱信号的变化进行全面的建模。本文提出了基于约简聚类凸壳的高光谱图像主动分类、材质分类和空间-光谱分类方法，并把研究工作集中在空间自适应分类、典型地面目标背景的红外成像仿真方面。　　本文首先对数据样本稀少且样本质量不高而导致分类模型不够稳定的分类问题，提出了一种基于约简聚类凸壳的主动分类方法。约简聚类凸壳是初始聚类凸壳的形状不变缩放，能够以不同尺度描绘区域形状结构并保持其凸性。该方法使用基于划分的K-means方法聚类高光谱图像，获得空间上分隔的多个同质性区域，从近中心和近边界凸壳区域分别抽取富于代表性和信息性的数据样本进行主动支持向量机分类，该方法抑制了传统主动学习一味主动选择近边界数据样本所带来的误差，且通过改变聚类学习和凸壳约简因子就能方便地更改数据样本的选取。实验结果表明，改进后的方法提高了高光谱图像主动分类的精度和速度。　　其次，为了对光谱数据噪声较大的材质进行分类，本文提出了基于最小均方误差的曲线拟合峰形特征匹配的材质分类方法，对已知光谱和未知光谱分别提取五种峰形特征进行多种相似性度量的计算，将具有最大相似性的已知光谱类别赋予未知光谱。对不同物理条件下的岩石光谱、高光谱图像像元光谱进行材质分类实验，实现了对未知光谱材质的准确匹配。　　针对高光谱图像分类典型地物方向呈随机纹理分布的问题，本文提出了一种新的空间-光谱分类方法。该方法提出旋转不变均衡局部Gabor二值模式直方图特征并组合光谱特征进行支持向量机分类，可以有效抑制地物随机纹理差异，减轻类内变化对分类性能的影响。在多个经典的高光谱图像上，与传统灰度共生矩阵（GLCM）、局部Gabor二值模式（LGBP）方法的对比实验说明了该方法能提取到富于判别的直方图特征，提高了高光谱图像分类的精度。　　在红外成像仿真方面，本文提出典型地面目标场景的红外仿真方法。针对典型地面场景红外仿真，提出了一个集成“场景分类-感兴趣地物提取-温度场计算-材质标记-红外辐射计算”的五级处理框架，该仿真流程以材质特性数据库为基础，通过理论模型计算或实拍得到目标场景的温度场分布，再计算目标场景在大气条件下的红外辐射量，生成红外仿真图,并模拟了大气衰减和模糊效应。基于实拍图进行材质-灰度统计对比，验证了红外成像仿真的可行性。　　最后，本文对所做的工作进行了归纳总结，并且结合本文的不足之处，分析和讨论了进一步的研究计划。