高光谱遥感影像所蕴含的地物光谱信息十分丰富。利用高光谱遥感影像对地物进行分类,是高光谱遥感影像诸多重要应用之一,这一应用已广泛在环境监测、地矿分析、土地利用评价、农业遥感等国民生产或科研领域中应用。当前,运用机器学习方法对高光谱遥感影像进行地物分类是一个研究的热点。而原本用于多光谱影像的传统分类方法不再适用于对具有数据高维、数据量大等特点的高光谱遥感影像进行分类。传统分类方法的理论假设是在样本趋近至无穷的时候的基础之上。然而,实际的分类问题中,样本的获取并有不简单,较难获取足够数量样本用以满足传统统计理论。支持向量机是一种具有优异二类分类性能的学习方法,它建立于统计学习理论之上。将支持向量机拓展到高光谱遥感影像分类这一多类分类问题中是可行的,且已经有许多效果较好的研究成果。为能在小样本情况下获得的分类结果的精度更高,本文研究依据统计学习理论提出一种用于高光谱遥感影像分类的半监督支持向量机模型的方法。本文方法在每类的训练样本数量较少的情况下使用K-means++聚类算法对所使用的未标记的样本点进行聚类,运用未标记样本点中的结构信息来辅助完成构建SVM,最终完成对高光谱遥感影像的分类。本文主要工作及创新点如下:(1)介绍遥感研究的相关背景和高光谱遥感应用的发展及前景,分析高光谱遥感影像分类现用方法的状况,介绍支持向量机的发展状况并指出其在分类应用上的良好性能。(2)分析高光谱遥感影像数据的获取、数据的表达形式以及其数据特性,介绍高光谱遥感影像数据分类的原理和主要的分类策略。(3)通过公式演算的形式介绍支持向量机所涉及的最优分类面、核函数等概念,总结支持向量机所具有的几个特点。(4)综述支持向量机两类分类的原理,介绍将支持向量机推广至多类分类的两种指导思想以及其相应的实现方法。(5)为在小样本情况下得到更高的影像分类精度,提出一种用于高光谱遥感影像分类的优化半监督支持向量机模型,该方法利用未标记的样本点的结构信息以修正支持向量机。设计实验,证明在小样本的情况下本文所提出的优化支持向量机模型在对高光谱遥感影像进行时能够获得较高的分类精度。