遥感技术发展的总趋势是以更高空间分辨率、更高光谱分辨率、更高时间分辨率对地球进行探测，进而提供地表覆盖环境更加精确、细致的观测信息。自上世纪80年代光谱成像技术被提出以来，高光谱成像已经成为一种重要的遥感探测手段，其本质在于能够同时提供地物分布的空间信息和较高分辨率的光谱信息。因此，高光谱遥感图像数据处理与信息挖掘技术研究具有重要的理论意义和巨大的应用价值，已成为遥感成像探测与信息处理领域的研究热点。本论文以高光谱遥感图像地物分类为背景，以核学习理论和方法为技术框架，针对高光谱遥感图像的特征提取、光谱分类和空间-光谱信息联合分类等问题开展研究，重点研究了基于单核/多核学习理论的高光谱图像光谱信息和空谱联合信息挖掘技术，旨在充分利用高光谱图像所提供的空间-光谱联合信息，提高地物分类性能。本论文研究的主要工作体现在：首先，整体研究核学习理论及其最新进展——多核学习理论及方法，奠定本论文研究内容的理论基础。论文在概要介绍了核学习理论及核方法设计的基础上，研究和分析了多核学习理论所涉及到的多核构造、优化学习方法，在理论上对合成核和多尺度核方法进行了研究。其次，立足于高光谱图像数据自身统计特性，将数据特性同核方法设计有机结合，提出了基于子空间调制核的高光谱图像特征提取方法。论文依据成像光谱探测原理所决定的高光谱图像数据子空间特性，研究了三种子空间划分的度量准则；在此基础上，设计了子空间调制核函数，以使源自成像机理的数据子空间特性融入到核设计及特征提取方法中，进而达到充分利用高光谱成像和数据特性的目的；论文利用地物分类实验验证了所提出的子空间调制核方法的有效性，即在提取特征的同时有效地提高分类性能。再次，以基于光谱信息的地物分类应用为直接导引，重点研究了多尺度多核学习分类模型，提出了多尺度多核最优集成学习方法。针对以支持向量机为代表的传统核方法学习能力受限于单核函数的问题，本文提出了多尺度多核学习模型；进一步，将多尺度多核学习问题分解为多尺度核无监督学习和支持向量机优化两个子问题，并提出了秩“1”约束下的基于非负矩阵分解和核非负矩阵分解的多核最优集成学习方法。相比于传统支持向量机和当前主流的多核学习方法，本文所提出的方法具有更优的性能。最后，为充分挖掘和利用高光谱图像的空-谱信息，构建了多特征多核学习模型，将空间特征和光谱特征有机地融合在多核学习理论框架下，进一步提升了高光谱图像地物分类能力。论文构建了多特征多核学习模型，提出了多特征多核最优集成学习方法，用以实现空谱特征的联合分类，论文针对高光谱图像自身提取的空间-光谱信息联合、高分辨率可见光图像空间信息和高光谱图像光谱信息联合两种情况进行了研究。首先，针对三类典型的高光谱图像空间特征(局部区域矩特征、Gabor空间纹理特征、多尺度形态学特征)进行了多核分类研究，分析了不同空间特征对于不同数据源的适应性；其次，分别从高空间分辨率的可见光图像和高光谱分辨率的高光谱图像中分别提取空间特征和光谱信息，构建多特征联合分类模型及方法。真实数据的实验结果表明，本文提出的模型及方法有效地提高了空谱特征可利用性和高光谱遥感图像分类性能。