高光谱遥感是指具有高光谱分辨率的遥感科学和技术。作为遥感对地观测的重要手段,高光谱遥感能够提供较传统遥感方式更丰富的光谱信息,在国民经济以及现代军事等领域均发挥着越来越重要的作用。但是,高光谱遥感获取的图像数据给已有的常规遥感图像处理技术也引入了新的处理难题和挑战:如何解决高维数据小样本分类识别,如何提升光谱类似地物的区分能力,以及如何以较低成本获取高质量的标记样本等等。高斯过程(Gaussian Process,GP)模型作为二十世纪末新发展起来的核机器学习方法,除传统核方法在解决高维数据建模和分类方面的优势外,还具有易于实现、核参数自适应获取等优点。本论文通过深入分析高光谱图像数据特性,在总结梳理高光谱图像处理研究现状的基础上,对高光谱图像分类应用上的高斯过程模型展开研究。本论文取得的研究成果如下:首先,研究了面向高光谱图像分类的高斯过程回归(GP Regression,GPR)模型,针对原始GPR模型无法利用图像空间信息的缺陷,提出了能够同时利用图像光谱以及空间信息的分类模型S2GPR(Spectral-spatial GPR)。提出的S2GPR方法根据空间邻域位置标记修正各中心像元的GPR输出结果,并基于相邻像元光谱的余弦相似度自适应调整光谱以及空间信息在确定S2GPR模型输出时的权重。在AVIRIS Indian Pines数据以及ROSIS Pavia University数据上,S2GPR方法的总体分类精度(OA)相对于原始GPR模型分别能够提升约6%以及5%。实验结果表明,提出的S2GPR方法能够有效提升原始GPR模型分类表现。另外,当有新的标记样本加入到训练集时,我们提出了基于Cholesky矩阵分解的GPR模型更新方法,提升了GPR模型的更新效率。其次,研究了面向高光谱图像分类的高斯过程分类(GP Classification,GPC)模型,为了进一步提升单独使用光谱信息的GPC模型分类效果,提出了组合GPC以及马尔可夫随机场(Markov Random Fields,MRF)模型的空谱信息结合分类方法:GPC-MRF。提出的GPC-MRF方法基于MRF对标记图像的先验分布建模,然后在贝叶斯框架下组合GPC模型的概率输出得到标记图像的后验分布,最后通过极大后验方法得到最终图像分类结果。在AVIRIS Indian Pines数据以及ROSIS Pavia University数据上,提出的GPC-MRF方法的总体分类精度(OA)相对于原始GPC模型分别能够提升约10%以及6%。实验结果表明:GPC-MRF方法能够显著提升原始GPC模型的分类精度。然后,为了减少单一分类模型可能产生的分类误差,提出了一种基于二类概率平均的多GPC模型融合分类方法。首先通过波段划分将原始高光谱数据划分为多个数据源,并以此构建多GPC模型,然后得到分类器融合后的决策输出结果。另外,为进一步改善图像分类效果,以多GPC模型融合结果为基础,利用MRF模型对标记图像的空间分布建模,得到高光谱图像的空谱分类结果。提出的方法在一定程度上能够缓解训练集样本数目同数据维数之间的比例不均衡问题,通过多GPC模型之间的互补组合提升单GPC模型的泛化能力。实测高光谱数据上的实验结果表明:在小样本情况下,提出的多GPC融合方法能够提升单GPC模型的分类表现。特别是在AVIRIS Indian Pines数据上,提出的多GPC模型融合空谱分类方法的总体分类精度相对于原始GPC-MRF方法能够提升约7%。最后,为了解决高光谱图像分类中标记样本少,而且获取标记样本成本高的难题,提出了针对GPC模型的主动学习(Active Learning,AL)方法。我们通过GPC模型输出的概率结果,设计了评价无标记样本不确定性度量,并据此提出了三种不同的主动样本选择策略。两幅实际高光谱图像上的实验结果验证了提出的GPC模型AL方法能够从少量有标记样本出发,通过迭代方式有效收集有价值的训练样本,从而快速提升GPC模型的判别能力。另外,为了提升AL过程效率,我们提出了一种增量化GPC模型更新方案,能减少AL过程中的重复运算。根据两幅实际高光谱数据上的实验结果,提出的方法能够将AL过程中的运算耗时降低约20%,该结果验证了提出模型更新方案的有效性。