随着成像光谱技术的发展,高光谱遥感影像在目标探测、土地利用与覆被变化、灾害监测、精细农业方面获得了广泛应用,提高高光谱影像智能处理和分析能力、提高分类有效性和精度是迫切需要解决的问题。高光谱卫星的相继研发并发射成功、无人机的普及,使得航空遥感逐渐走入普通大众的视野,高光谱遥感数据获取越来越便捷,渠道更加丰富,时间周期也大大缩短,为高光谱遥感影像行业应用提供了充分的数据支持。目前大多数高光谱分类方法主要以基于光谱特征、空间特征和空谱融合特征为主。基于光谱的分类将高光谱数据视为一种无序的待分类数据集合,而忽略了高光谱影像的“图谱合一”性,高光谱影像的每个像元都是二维空间中有序排列的特殊数据集合,而非杂乱无章的随机分布,这种有序排列的直接体现就是影像的二维几何空间特征。随着高光谱遥感技术的发展,高光谱影像空间分辨率的不断提高,影像中目标形状、结构等空间信息越来越丰富。将空域信息引入到高光谱影像分类中来,结合光谱和空间特征进行分类,对有效地提升高光谱影像分类精度具有重要作用。然而特征融合后的数据由于提高了特征维数,进一步增加了分类开销。特征提取（包括光谱、空间特征提取）是解决高光谱分类维数灾难的一个有效途径,而现有的光谱特征提取主要集中在低层视觉层面,与人类视觉理解存在一定差距。高光谱遥感影像的空间结构特征越来越丰富,基于形态学空间特征提取具有较低的计算复杂度而备受欢迎,但其缺点是特征提取时受参数影响较大,具有一定不确定性。高光谱的有效分类通常需要大量标记样本,而标记本获取成本较高,增加了分类的难度。为了在标记样本有限条件下高效地进行高光谱遥感影像分类,本文从高光谱数据特点出发,对光谱、空间特征提取和半监督分类算法进行了深入研究。论文主要研究内容如下:（1）提出了基于卷积神经网络的光谱特征提取,只需将原始光谱数据直接输入到深度网络中,卷积层和池化层交替连接,模拟复杂的大脑视觉皮层,前一层神经元的输出作为后一层的输入,每层应用多个不同的滤波器,得到若干个特征,然后最大池化各个特征,再将所有特征拼接成一个特征向量,即为最后提取得到的高层特征。与人类视觉的抽象化类似,提取的高层特征区分度更高、表达能力更强。实验验证了基于卷积神经网络的光谱特征提取的优越性。（2）提出了基于多尺度-多结构元素级联重建的空间特征提取,综合不同形状结构元的特征,避免单一结构元形态学操作提取到的形态学空间信息单一的情况。利用不同步长大小的结构元素依次对影像进行形态学变换,连续使用尺度递增的结构元素进行测地和重建操作,来提取影像中结构的大小和对比度。对不同类型地物,采用不同结构元抽取出最有用的特征,为后续分类提供有效数据支持。（3）针对分类过程中所用特征和分类器数量的不同,提出了三种不同类型的半监督分类算法,分别是基于单特征单分类器的半监督分类、单特征多分类器的半监督分类和多特征多分类器的半监督分类算法。对于单特征单分类器,通过修改置信样本选取规则,优选高置信度样本加入训练集以增加更多的有用信息;对于单特征多分类器的半监督分类算法,利用三个不同类型分类器,通过少数服从多数的投票策略优选高置信度样本,对其进行数据剪辑后加入训练集,通过自动化方式结合主动学习修正误分类样本进一步提高分类精度;对于多特征多分类器的半监督分类,本文只考虑特征数量为2时的情况,放宽传统协同训练对充分冗余视图的强约束条件,根据提取的光谱、空间特征分别训练分类器,不断将两分类器预测结果一致的样本作为高置信度样本分别加入各自训练集,直到两分类器再没有预测一致的样本,再将空间、光谱融合后进行分类。研究高光谱遥感影像半监督分类算法,一方面,充分利用无标记样本的有用信息提高分类能力,减轻标记样本数量有限情况下高维样本分类容易出现的Hughes现象;另一方面,克服了现有半监督分类算法用于高光谱影像时的若干问题,使高维影像数据在标记样本有限的条件下不断提高分类性能。（4）以ROSIS Pavia University城市地表覆被和Salinas精细农业两种典型高光谱遥感影像应用案例进行了分析,对本文所提出的光谱、空间特征提取方法,和半监督分类进行了实证,证明了本文所提出算法的有效性。