高光谱遥感图像（Hyperspectral Image,HSI）中的对地物分类问题是高光谱遥感图像处理领域的重要课题之一。在高光谱图像分类问题中,训练样本的标记是一件费时费力的工作,而较少的训练样本与高光谱图像较高的维度易造成“休斯效应”。对此,本文在高光谱图像小样本的情况下,从数据扩充以及降维的两个角度提出了适合该情况的两种算法,主要研究工作和创新思路如下:（1）提出了适合高光谱图像小样本条件下的高光谱图像半监督分类算法即基于超像素的二次数据扩充高光谱半监督分类（Super-pixel-based Secondary D-ata Augmentation For Hyperspectral Semi-supervised Classification,S-SDA）。该算法分为两部分,即基于超像素的第一次和第二次数据扩充算法,第一次数据扩充算法利用超像素分割技术将训练样例所在的超像素块中除了边界外的其他像素加入训练集,在该算法中还提出了一种计算不规则超像素边界的算法以及一种超像素块正则化的方法;第二次数据扩充算法使用第一次样本扩充后的训练集,对所有超像素块进行基于光谱信息的分类,将置信度较高的超像素块加入训练集。最后使用传统分类器来进行分类。在IN,IP和SS数据集上采用了小样本数据来验证算法有效性,实验结果表明该算法具有优秀的算法准确度,能够很好的解决休斯效应。（2）提出了适合小样本高光谱图像降维算法即基于信息熵及超像素分割的PCA降维方法（PCA dimensionality reduction method based on information e-ntropy and superpixel segmentation,IE-SGPCA）。该算法从波段选择和特征提取两个角度进行融合,主要分为两部分,基于粗细分组及信息熵波段选择以及基于全局和局部信息的PCA特征提取。第一部分可以在减少高光谱图像冗余信息的情况下,尽可能地保留图像原本信息;第二部分可以利用局部信息和全局信息对高光谱图像进行特征提取,使降维后的图像在充分利用空间上下文信息的同时兼顾全局信息,对于某些较小的同质区域和在一些具有混合很多地物的大型同质区域中的对象有更好的区分能力。在IN,IP和SS数据集上采用了小样本数据来验证算法有效性,实验结果表明该算法具有优秀的算法准确度,能够很好地解决休斯效应。