高光谱遥感图像因其精细的光谱分辨能力而广泛应用于地物分类及目标探测等领域。然而，高光谱成像光谱仪在获得大量精细光谱的同时，必然会使空间分辨率降低。尽管近年来随着遥感技术的发展，高光谱图像的空间分辨率显著提高，但相比于其他光学遥感，高光谱遥感的主要问题依旧是较低的空间分辨率和由此而引发的混合像元问题。另外，高光谱图像较高的数据维度也为地物目标的精细分类带来一定困难，传统统计模式识别方法在高光谱遥感领域通常效果不佳。针对以上问题，本文从高光谱图像光谱与空间特性入手，以具有高效分类性能的核学习机为载体，研究对地物的精细分类技术。由于高光谱图像的空间分辨率相对较低，一个像元内可能包含两种或两种以上的地物类型，而通常所用的硬分类方法是对图像进行像元级处理，以像元为单位，将每一像元归为一种地物类型，因此所得结果并不准确。为了区分并确定各种物质在像元中所占的比例，本文研究一种软分类方法，即光谱解混技术。本文首先分析并比较几种典型的非监督端元提取方法，而后提出一种基于概率输出型支持向量机的监督提取方法，实验证明与前者相比，后者对端元信息的提取更加准确。在端元提取的基础上，本文研究利用线性光谱混合模型进行地物丰度反演的方法，由此获得地物的精确类别信息。核学习方法由于其在高维空间中处理非线性模式分类问题时表现出的高效性与鲁棒性，被广泛应用于高光谱图像分类与识别中。本文首先从理论方面分析核学习方法的一般表述形式及特性，在此基础上，重点研究几种典型高效的核学习算法，为地物的精细分类提供技术支撑。虽然核方法在高光谱图像分类上有着突出的优势，然而该方法及一些传统的高光谱图像分类方法都只利用了图像的光谱信息，而忽略了图像像素空间上的关联信息，因此分类结果并不精确。本文考虑利用空间特征对光谱特征进行补充，研究一种基于灰度共生矩阵的高光谱图像空间特征提取方法，在此基础上利用核分类器和一定的融合策略进行空谱联合特征分类。针对多特征融合问题，本文提出一种基于多分类器的决策级融合算法和一种核层面的特征级融合算法，验证了空谱特征联合在信息获取上的丰富性和地物精细分类上的高效性。