随着高光谱成像技术的研究与发展,高光谱图像受到了广泛的关注,应用领域也逐渐多样化。高光谱成像技术高效地将图像的空间维度和光谱维度融合起来,实现了“图谱合一”。高光谱图像与RGB图像和多光谱图像相比,丰富的光谱维度能够呈现出更精确的地物信息,因而各种高光谱图像处理技术应运而生。而高光谱图像聚类作为高光谱图像数据分析的重要研究方向之一,面临着高维度和大数据量的挑战。针对高光谱图像光谱信息丰富、空间结构复杂、数据量庞大等特点,为了更好地融合高光谱图像的空间信息和光谱信息,本文基于Fréchet距离提出了两种改进的高光谱图像聚类算法,主要研究工作如下:首先,阐述了有关高光谱图像的理论知识及其数据特点,并说明了高光谱图像处理分析技术特别是聚类技术的发展历程与研究现状,说明该课题的研究背景与意义。其次,总结了谱聚类与稀疏子空间聚类的相关理论和实现过程,简述了Fréchet距离,为本文的算法奠定理论基础,并简要介绍了几个传统的聚类算法和高光谱图像聚类结果的评价指标。然后,为了提高谱聚类的聚类精度和适用性,本文提出了一种基于Fréchet距离的谱聚类算法（Spectral Clustering Algorithms Based on Fréchet Distance,简称FSC）。谱聚类算法通常需要假设数据结构是流形的,但像高光谱图像数据这样的高维稀疏数据,最近邻实际上可能相距甚远,这很大程度上降低了聚类准确性。通过Fréchet距离构建相似度矩阵,更好地融合了高光谱图像的空谱信息,获得了更真实的亲和力矩阵。使用Fréchet距离度量数据特征维度的相似性,不但考虑了像元谱波段的高相关性,而且利用了高光谱图像谱信息,从而扩展了谱聚类算法的适用性。FSC不仅适用于低维流形结构清晰的数据,也适用于高维或稀疏数据,如高光谱图像。在三个实验数据集的结果表明了FSC算法可以更好地利用谱维度的信息,实现较好的聚类精度。最后,为了克服稀疏子空间在稀疏表示构建过程中的单一性,提高高光谱图像的空谱信息利用率,本文提出了一种基于Fréchet距离的加权稀疏子空间聚类算法（A Sparse Subspace Clustering Algorithim Based on Fréchet Distance,简称FSSC）。在利用稀疏表示系数构建相似矩阵时,稀疏子空间聚类算法对高光谱图像的光谱和空间信息利用率不高。为此,本文利用Fréchet距离算法求解像素点光谱曲线间的相似度矩阵,再通过稀疏表示矩阵和相似度矩阵构建光谱加权稀疏子空间模型,求解更精确的亲和力矩阵。本文在三个经典的高光谱图像Indian pines、Salinas和KSC上进行了大量的实验与结果分析。实验结果表明与传统聚类算法相比,本文提出的基于Fréchet距离的谱聚类算法（FSC）和基于Fréchet距离的加权稀疏子空间聚类算法（FSSC）能够获取更高的聚类精度。