高光谱遥感已经被成功应用到了日常生活的各个领域,其中包括食品、农业、矿业等,这使得对高光谱图像的研究变得越来越有意义,尤其是高光谱图像分类。通过观察可以发现,高光谱遥感所应用的各领域,都与分类任务有一定的关系,因此,本文的主要目的是通过研究有效的特征学习方法,来实现高效的高光谱图像分类,主要工作如下:1)在传统的特征提取中,将空域信息和光谱信息进行分开处理,分别提取空间特征信息和光谱特征信息后再进行分类。这些方法忽略了高光谱图像数据中光谱特征和空间特征之间的联系,由于空间信息是通过光谱波段和邻域来联合体现的,所以将空间信息和光谱信息进行分开处理容易产生误差,会影响分类精度,而且分开提取特征会增加处理数据的时间,增加复杂度。基于上述原因,本文提出了一种基于非局部均值滤波的高光谱图像空谱联合分类方法,该方法采用皮尔逊相关系数来度量像素间的相似程度,并用此相似程度来构造非局部滤波器的滤波权值,进行非局部均值滤波,之后用最大噪声分离算法对滤波后的数据进行降维,最后利用SVM进行分类。由分类结果可以看出,该特征学习方法不仅可以提高图像的分类精度,而且还可以很好地改善同质区域和边缘区域的分类效果。2)针对扩展形态学在提取高光谱图像特征的过程中没有对边缘起到很好的保护作用的问题,提出了一种基于导向滤波的扩展形态学分类方法,该方法将扩展形态学和导向滤波进行结合,利用导向滤波的边缘保护作用来弥补扩展形态学的不足。在提取特征时,首先利用主成分分析方法对高光谱图像数据进行降维,之后对其进行初步的扩展形态学特征提取,然后分别将初步的扩展形态学特征和对应的主成分分量作为输入图像和参考图像输入到导向滤波器中进行滤波,得到的滤波结果就是我们要学习到的高光谱图像特征,最后利用SVM进行分类。由结果可以看出该方法可以很好地提高高光谱图像数据的分类精度,与此同时,还可以提高小区域和类别边缘的分类精度,改善了传统EMP方法的不足。3)针对传统方法在提取高光谱图像空间信息时所存在的不足,本文首次提出了一种结合多尺度特征和深度网络的高光谱图像分类方法,该方法对高光谱图像分别在空间域和变换域中提取空间特征,挖掘出高光谱图像数据中的线性多尺度空间特征和非线性多尺度空间特征,从而可以更好地利用特征来代替原高光谱图像数据。在提取特征时,分别利用深度自编码、改进的高斯尺度空间以及方向波变换来提取光谱特征和空间特征,其中方向波变换主要用来提取非线性多尺度空间特征,之后将提取到的特征进行结合,输入到SVM中进行分类。由各图像的分类结果可以看出,该方法对细节区域、同质区域以及边缘区域都具有较好的分类效果。