近年来,随着遥感技术发展,高光谱遥感技术凭借其优势成为该领域主要研究方向之一。高光谱遥感技术利用连续且窄光谱通道对目标地物连续成像,与传统遥感技术相比,利用该技术获取的遥感图像能提供目标地物丰富光谱信息,受到学者广泛关注。高光谱处理技术中一项重要研究是分类,目前在农业、医学、城市规划等领域有着重要应用前景。然而图像分类技术也存在诸多难题,例如:获取标签样本代价高、高光谱图像标签样本有限,这与其高维特性形成矛盾,造成高光谱图像分类精度降低。在充分分析高光谱数据特性级础上,学者们提出基于联合空谱信息的分类技术。空谱联合高光谱图像分类算法是解决这一问题的重要途径,然而仅考虑图像小邻域空间信息,由于像素信息表示容量不足,使得分类精度提高有限。针对以上问题,本文工作包括:（1）研究了一种基于局部-非局部不确定性分析的高光谱图像分类方法,有效解决利用小邻域空间信息,并且利用不充分导致分类精度降低的问题。该算法采用基于上下文的贝叶斯框架,首先使用多项式逻辑回归（Multinomial Logistic Regression,MLR）对样本类后验概率建模。在获得类后验概率基础上,构造局部-非局部空间先验,使得小邻域空间信息与非局部结构相似性信息结合,进而优化类后验概率模型,促使图像分类性能进一步提升。该算法在真实和模拟高光谱数据集上测试,实验结果验证了该方法的有效性。（2）研究了一种基于主动样本选择策略的高光谱图像分类方法。该算法针对获取标签样本成本高问题,设计主动样本选择策略,在主动学习框架下,基于不确定性分析进行样本选择过程中结合局部空间信息,来缓解由于噪声以及有限训练样本获得的模型对于样本类标估计不准确的问题。因此,基于类后验概率和局部空间信息,提出两种新主动样本选择策略。将这两种样本选择策略应用到模拟和真实高光谱数据集上测试其有效性,通过与已有策略进行对比分析验证算法性能。综上,通过分析高光谱图像分类中存在问题,提出有效基于空谱联合不确定性分析的高光谱图像分类方法,以解决空间信息有限利用和标签样本获取成本高问题,通过实验验证所提方法有效性,并获得较好分类结果。