遥感数据的高精确度分类长期以来一直都是遥感科学的难题。特别是在高空间分辨率遥感数据越来越多的情况下，高效利用和改进各类现存的信息提取技术，有效集成多尺度信息提取的结果，从而更方便和精确的对各类遥感数据资源进行分类和定位，将成为人们高度关注的科学难题。为了更好的解决多光谱遥感图像分类精度问题，本文从两种方案着手研究，均达到了提高分类精度的效果。方案一，对于图像的分类不仅采用光谱特征，而是将光谱特征与归一化植被指数以及缨帽变换后的特征相结合，并将学习字典的稀疏表示算法应用于遥感影像分类，从而得到整幅图像的稀疏表示特征，结果表明无论在分类精度上还是在视觉效果上，本方法都具有一定的优势；方案二，在分析图像光谱特征的基础上，提取相关波段不同测度下的部分纹理特征，与其原始波段进行波段组合，并用学习字典对特征进行稀疏降维，实验证明了结合纹理特征遥感影像分类的合理性和有效性。本文中我们将基于学习字典的稀疏表示方法应用到数据量大、维数高，同时有标记样本获取成本高且困难的高光谱遥感数据中。我们分别取75%的数据做训练样本，再分别选取75%，50%，10%和5%的训练样本做训练，25%的数据做测试样本。首先通过学习不断更新字典，从而得到最优匹配原子，为高精度分类做准备；再用稀疏表示的lasso算法，利用少量样本建立训练集，进而得到较高的分类精度，同时节省分类时间，从而解决了少标记样本问题。本文采用稀疏表示对遥感图像进行处理，进而提高分类精度的方法是一种创新的应用，不仅适合稀疏分解的推广同时也验证了它在遥感图像分类上所具有的优势，同时研究解决遥感影像特征变量提取问题，为遥感影像未来更进一步的发展做出努力。