光谱分辨率的提高是光学遥感不断发展的趋势。高光谱分辨率(简称为高光谱)遥感技术是过去二十年中人类在对地观测方面所取得的重大技术突破之一，是当前遥感的前沿技术。由于高光谱所特有的高光谱分辨率的性质，其潜在的可应用性受到人们的广泛关注。分类是获取高光谱信息的一种重要手段。目前硬分类方法较多，但分类效果不够理想或是方法本身有待提升；传统软分类方法由于在分离中无关类别的参与以及光谱分离模型本身的不足导致光谱分离效果不够理想。 迭代自组数据分析(ISODATA)算法是一种基于统计模式识别的非监督动态聚类划分算法，有较强的实用性。支持向量机(SVM)算法，作为基于统计学习理论的一种有良好推广性的高维非线性数据处理工具，得到了广泛应用。它的核心是把样本非线性映射到高维特征空间，以结构风险最小化为归纳原则，在高维空间中构造最优分类超平面。为此，本文以迭代自组数据分析算法和支持向量机为主要理论，对超谱图像硬、软分类及相关技术进行了研究。 第一，阐述了高光谱遥感技术的概念，介绍了高光谱图像的特征模式并分析了高光谱图像数据的组成，阐述了硬分类、软分类以及监督无分类、无监督分类的研究现状、评价准则和现存的技术问题，支持向量机基本理论等，为课题研究的展开奠定基础。 第二，介绍了模糊ISODATA算法的原理和实现步骤，结合高光谱遥感图像的特点，进行了高光谱遥感图像的分类，得到了理想的分类效果，并分析了参数的选取将对分类结果产生的影响。同时也采用硬分类的ISODATA算法，模糊C-均值算法对高光谱图像进行分类，并将结果与模糊ISODATA算法进行了比较，试验结果表明，模糊ISODATA算法在分类精度的改进上性能优于以上二种算法。 第三，提出了一种二次分类的多类支持向量机，它解决了由于高光谱图像的数据量大和维数高的特点而存在的如何选择最佳惩罚因子和最优权向量系数的问题，消除了进行大量的实验来确定惩罚因子的弊端。实验结果表明， 文中提出的二次分类方法的结果与1-a-1 SVM分类的混淆矩阵相比，之前混淆较严重的玉米—大豆这两类在新方法中有了很大的改观，而且在选择惩罚因子的速度上也有了很大程度的提高。 最后，研究了基于LSMM的无监督软分类方法和基于SVM的有监督软分类方法，以及基于非线性SVM的软分类方法。理论分析和对比实验结果表明，基于LSMM的无监督软分类方法具有算法简单、易于操作的优点；基于SVM的有监督软分类方法则具有灵活处理不可分问题、分类精度高等优点。实验表明，SVM对于软、硬分类均具有良好的效果。