高光谱遥感以其高的光谱分辨率、众多波段数、图谱合一的优势，掀开遥感届又一场革命序幕。高光谱遥感分类技术是挖掘高光谱数据中地物信息有效技术手段，是在传统遥感数据分类技术的基础上进一步发展，其采用的分类技术有其独特性。由于传感器分辨率过低使得一个像元中混有多种地物、地物相互覆盖以及地物反射时相互混合影像造成的“同物异谱”、“同谱异物”等造成混合像元现象的存在，使得高光谱影像分类存在不确定性，分类不确定性问题是遥感分类面临最大挑战。我们在设计高光谱影像分类器时必须了解这些不确定性的本质，合理的处理这些不确定性，建立可靠的稳健性强的高光谱影像的分类器，提高多类别地物分类精度。同时要兼顾高光谱数据特性：波段数众多带来的数据冗余问题，高光谱遥感影像数据量巨大导致对图像数据的预处理困难，波段间高的相关性带来的训练样本数量的增加以及高光谱数据中利用常规遥感分类模型特别是统计学分类模型时估计参数苦难问题等；因此设计一种合适的稳健性强的适用于高光谱数据分类器十分必要。　　同时我们在利用高光谱数据进行分类时，只利用单一信息是不全面的，不同特征的作用各不相同，彼此存在互补的现象。随着遥感图像处理的深入，仅仅使用精细化波谱信息进行分类会浪费很多空间信息，多特征组合可以从多元信息中提取有利于分类信息，并对其进行优化组合，形成优势互补，以提高高光谱影像分类精度已经变得越来越重要。　　本文中我们针对基于 SVM分类器的多核学习优化过程复杂的缺点，利用 Boosting算法思想对多核组合学习算法拓展。此算法思想是将高光谱数据通过核函数映射到高维特征空间，构建不同的弱分类器组，利用Boosting算法对弱分类器进行学习得到多个弱分类组的权重，线性组合成强分类器，以提高分类精度；利用Boosting算法的高效性解决因为基于多核的分类器优化过程带来的过大计算量的问题的目的。　　针对高光谱数据多特征组合问题，该文提出了一种在多核学习框架下利用多核Boosting（MKB）实现多特征合理组合和异质信息互补的高光谱影像分类算法。此算法充分利用了高光谱遥感数据的光谱特征和空间特征，在大量的影像属性和分类器中实现最优分类，以充分利用遥感数据的互补信息。与传统的多核学习方法不同，该方法是在多核学习的基础上将高光谱图像的光谱域和空间域信息投影到不同核空间中形成核矩阵，再后利用Boosting算法对不同给定特征的核矩阵进行学习得到不同权重，最终得到组合后强SVM核矩阵，用SVM进行分类，从而实现多特征组合。