高光谱遥感又称为高光谱分辨率遥感,是当前遥感技术的前沿领域,它利用很多很窄的电磁波波段从感兴趣的物体获得有关数据,它包含了丰富的空间、辐射和光谱三重信息。在处理这种具有更多光谱波段的图像数据时,一个不可避免的问题出现了,那就是数百甚至上千个波段对传统的图像处理方法在维数上提出了新的要求,如何应用高光谱图像数据丰富的空间和光谱信息来进行更为精确的分类、目标识别以及高光谱图像的分割问题已经成为各种高光谱图像数据处理方法的所面对的共同问题。针对一般意义下应用流形学习算法解决高光谱数据很难给出分类的标识信息,本文提出了一种引入2维空间信息向量的基于流形学习算法的高光谱图像分类方法。我们将空间信息与光谱反射系数信息加权结合后,通过调节两种特征的权重关系得到了由图上空间信息到光谱反射系数信息稳定的变化规律,由此确定用以分类的边界点,并对高光谱数据进行较高正确率的分类标识。本文工作主要通过引入描述像素位置关系的空间特征而构建的联合高斯距离测度改进了拉普拉斯特征映射算法,构建了像素分布流用于处理高光谱图像数据。主要包括以下三个方面:(1)在像素的光谱特征基础上引入图像的空间特征,将这两种不同近邻选取特征通过自定义的高斯距离相乘结合起来,包括如何加权结合两种输入空间的数据,以及参数的选取。像素分布流的提出以及构建方法。并且通过简化参数来解释像素分布流的实际物理意义,为之后的应用做了理论准备。(2)应用像素分布流到实际的高光谱图像数据上,根据数据的实际特点对于映射结果提出了必须进行的两种后处理方法:包括非线性几何校正,这种校正可以把映射的结果人为的通过先验的空间特征知识固定,得到较为稳定的映射结果;以及边界收缩效应的校正,这种校正是针对算法本身引入空间特征所导致的映射结果边界相比内部不合理的收缩的现象,得到了边界与内部结果接近一致的结果。最后用单阈值选取边界点的方法给出小区域高光谱图像数据的分割结果。(3)对于大规模的高光谱图像映射结果,上述的边界收缩效应会更加严重,导致单阈值无法选取有效边界点的结果。本文提出了一种通过多个阈值同时选取边界点综合处理的方法解决了这一问题。