高光谱遥感技术在环境监测、精细农业和军事侦察等众多应用领域都引起了广泛关注并占据着重要地位。在应用高光谱图像时,对其分类是图像理解与解译的前提。随着遥感探测技术的发展,光谱分辨率和空间分辨率不断提高,这在增加信息的同时,也给高光谱图像分类问题带来了新的挑战:如何挖掘高光谱图像中的有利于分类的判别信息,尤其是光谱信息和空间信息;如何解决地物类内和类间差异变化问题;如何实现不同特征的有效融合等问题。针对这些问题,本论文根据稀疏表示学习理论,提出了多种分类方法,并在真实的高光谱图像上进行了测试。本论文主要工作概括如下:1.传统的稀疏表示分类器在进行高光谱图像分类时往往忽略了数据的“图谱合一”特性,无法获得令人满意的结果。本论文根据高光谱图像的数据特性和稀疏表示分类方法,提出了一种基于光谱信息散度的稀疏表示分类方法。新提出的方法同时考虑了光谱特性、近邻空间信息和数据的稀疏性,能够更有效地描述了像素的谱变化、相似性和判别性。在真实的高光谱图像上验证了所提出方法在分类精度上优于传统的稀疏表示分类方法。2.由于高光谱图像的内容和背景复杂,类内和类间差异变化大,而多种特征的联合往往有助于解决这些问题,本论文提出了基于多特征联合的稀疏表示分类方法。在获得几种互补的特征(谱特征、形状特征或纹理特征等)情况下,所提出的方法能够针对每种特征获得一个表示系数向量,并在这些表示系数上加入联合稀疏正则约束,使这些系数具有相同的稀疏模式从而来保存特征间的信息。此外,该方法还在每一种特征中都考虑了空间近邻信息,能够实现空谱信息有效联合,进一步提高了分类精度。通过在真实的高光谱图像上实验,验证了所提出的方法能够取得预期的分类结果,而且耗费内存和运行时间更少。3.虽然多特征联合的稀疏表示分类模型提供了一种新的多特征联合途径,但是它没有考虑不同特征在联合决策时贡献的差异,也不能处理非线性可分的情况。为了解决这些问题,本论文提出了基于多特征加权联合的核稀疏表示分类方法。该方法为不同的特征赋予合适的权重,使最终的联合决策更加优秀。为了解决高光谱图像中的非线性可分问题,该方法将数据投影到核空间,使数据更具有可分性,得到了比线性方法更好的分类结果。此外,该方法还在每种特征中融合了图像的空间近邻信息来进一步提高分类精度。在几个真实高光谱图像上实验证明了该方法不仅分类性能优越,而且使用内存少,运算速度快。4.为了更好地保存不同特征之间的互补信息,进一步提高高光谱图像分类精度,本论文提出了基于类级稀疏表示的空谱信息联合分类方法。该方法采用了更宽松的稀疏约束,一方面要求同一特征下的输入样本具有相同的稀疏模式,以融合空间近邻信息;另一方面各个特征可以自适应地选择最适合的同类别的表示原子,这样既保证了特征间的相互联系和影响,又能使各个特征得到最好的表示,从而实现分类精度的提高。进而,本论文提出了基于多核类级稀疏表示的分类方法来解决数据中的非线性可分问题,并提出了改进的同步正交匹配追踪算法来求解上述优化问题。实验结果验证了所提出的方法在高光谱图像分类应用中的潜力。5.集成学习在高光谱图像分类方面引起了广泛关注和应用,然而事实表明集成系统中的个体分类器并非都有益于最终的联合决策。针对这个问题,本论文提出了一种基于稀疏集成学习的空谱信息联合分类方法。该方法将分类器集成问题视为一个联合稀疏表示问题,通过稀疏重构获得的表示系数可作为集成系统中个体分类器的决策权值,不仅做出了个体选择,而且给出了其在集成系统中的重要程度。该方法有效地解决了集成学习中个体分类器的选择问题,并为加权投票规则提供了一种新的权值获取方法。在学习稀疏集成系统过程中,该方法还综合利用了空谱信息,进一步提高了分类精度。实验结果表明,所提出的稀疏集成系统联合少而有效的分类器就能达到令人满意的分类结果,而且减少了测试阶段的计算负担。