在遥感领域中,高光谱图像处理多年来始终占据着至关重要的位置,而在高光谱领域中,高光谱图像分类又是其中最为热门的话题。高光谱图像因其光谱波段数多,包含的地物信息丰富而被广泛地应用于包括农业,军事,环境监测在内的众多领域,对人类社会的发展有着极为重要的现实意义。自遥感技术诞生以来,更高的光谱分辨率一直是各国研究者所努力的目标,光谱图像也经历了从多光谱到高光谱的演变。从开始时十几波段到后来的几十波段再到现在的数百波段,高光谱图像所包含的信息量也增加显著,这使得依据光谱数据分析地物目标有了更多的依据与机会。但与此同时,高光谱图像分类所面临的困难也随之而来,随着波段数增加,不但增加了分类器训练的成本,维数灾难这一问题也不容忽视,这都为高光谱图像分类的发展提出了新的要求。近几年来,机器学习快速发展,高光谱图像领域也迎来了新的机会,许多依托传统算法和深度网络的方法被提出并应用于高光谱领域,取得了一定的效果,但也留下了一些问题。本文立足于当前高光谱图像分类的现状,针对于高光谱数据样本少,类间数据不平衡等问题提出了更符合高光谱图像分类的算法。本文的主要工作如下:首先,本文受级联森林的启发,将马尔可夫随机场(MRF)这一优秀的概率图模型算法融合到级联结构中,提出了一种应用于高光谱图像分类的级联马尔可夫随机场。在此算法中,将支持向量机(SVM)所产生的预测向量与MRF模型相结合,然后将融合后的特征向量与原始光谱特进行拼接,得到识别能力更强的增强特征向量。在后续阶段,增强的特征向量被用作级联MRF模型的下一层输入。通过将多次MRF融合进一个级联框架中,提高了MRF对高光谱数据信息的利用效率,有效的提高了样本的分类精度。然后,本文将侧窗滤波(SFT)应用于高光谱图像处理。对高光谱数据进行逐波段滤波可以为样本特征引入空间特征,还可以有效去除噪声信息,是高光谱图像处理中常用的处理手段。但大部分滤波方法在操作时均会将样本点放于滤波器窗口的中心,这种方法会使数据损失一部分边缘信息,随着滤波次数增多,图像边缘将会变得模糊。而通过将样本点置于滤波器窗口的边缘,SFT可以较好的解决这一问题。本章将探索SFT在高光谱图像上的应用效果,通过对数据的多层滤波为分类器的训练提供更多的依据,有效的降低了训练分类器的难度,改善了分类效果。最后,提出了一种基于自监督学习的高光谱图像分类方法。自监督学习是目前深度学习中最为热门的方法之一,本文是将自监督学习应用于高光谱图像领域来解决高光谱数据样本不足的问题。通过自监督辅助任务的构建,在完成辅助任务的同时,提取中间层特征向量作为分类任务的增强特征。通过改变辅助任务中深度网络的损失函数,可以获取多个不同的增强特征。最后将这些增强特征融合后使用SVM和MRF进行分类。