随着成像光谱仪的飞速发展,高光谱遥感成为对地面观测的一种重要手段。与多光谱遥感图像相比,高光谱遥感图像具有数据量大、波段间相关性高、标签样本获取困难等特点,使用传统的遥感图像处理技术分析高光谱图像面临着很多困难与挑战。高光谱图像分类技术是高光谱遥感数据分析的主要内容,传统的监督分类需要足够多的有标签样本数据作为先验信息,然而获取有标签样本需要耗费大量的人力和物力,这使得有监督的分类方法受到限制。无监督分类是在无任何先验信息的前提下,依据无标签数据中隐藏结构构造相应的分类器,导致分类精度得不到保证。半监督分类结合了有监督分类和无监督分类,弥补了传统方法的不足,充分利用大量的无标签数据和少量有标签数据。协同训练与自训练作为半监督分类中常用的两种算法,自训练在对样本标记过程中,容易引发错误标记的现象,协同训练通过训练多个分类器,对无标签样本进行标记,由于初始标签样本少,导致分类器之间的差异性不足,从而限制了协同训练算法的分类精度。针对以上问题,本文对协同训练与自训练分类算法进行改进,具体工作如下:1、针对协同训练中多个分类器间差异性不足和初始标签样本少的问题,提出一种结合主动学习和差分进化算法的协同训练分类算法。对原始主动学习算法进行改进得到一种以支持向量机为技术支撑的多准则多边缘采样算法,并在差分进化算法的搜索过程中引入自适应算子,从无标签样本集中选出信息量丰富且具有差异性的样本。上述分类算法的优点在于,通过主动学习的样本选择策略,更好地利用无标签样本并使训练样本集得到有效地扩充,很大程度上解决了传统半监督分类方法中先验信息较少的问题,通过差分进化算法为协同训练中的三个基分类器引入较强的差异性,使得对样本的决策结果更加准确,实验结果表明,该算法有效提高了分类精度。2、针对自训练中的误标记现象和传统空谱分类中对空间信息挖掘不充分的问题,提出一种基于空间-光谱聚类的自训练分类算法。通过双边滤波器提取空间纹理信息并保留空间边界纹理信息,并与光谱信息级联,在谱聚类算法中,充分引入空间相关信息,提出一种新的构造空间-光谱相似矩阵的方法。上述分类算法的优点在于,打破了仅依据光谱信息分类的局限,充分利用空间-光谱信息进行分类,并在自训练过程中,采用结合基于概率的支持向量机与谱聚类算法的机制,对误标记样本进行有效地去除,实验结果表明,该算法获得了较高的分类精度。