随着成像光谱技术的发展与成熟，基于高光谱图像的遥感技术也快速发展。遥感技术是基于电磁波理论，通过传感器获取远距离目标的辐射和衍射信息，然后收集这些信息进行处理，并最终成像实现目标检测的技术。通过遥感技术获得的高光谱遥感图像与普通图像相比较有独特的优点：（1）蕴含着丰富的近似且连续的地物光谱信息；（2）地表覆盖识别能力大大提高：（3）地形要素识别方法灵活；（4）使地形要素的分类成为可能等等。同时得到的高光谱遥感图像的信息量大，数据维数高，波段之间的相关性强，给地物的分类带来了挑战。　　传统的分类方法有监督分类和非监督分类。在监督分类之前，要对所涉及的各类地物进行实地测量，或通过真实的地图选择有代表性的训练样本，然后对这些样本的特征进行测量，即监督分类需要获取大量的先验知识，分类结果对训练样本的数量和质量依赖性强，且获得大量先验知识需要花费大量的人力物力。非监督分类不需要先验知识，仅仅依靠样本之间光谱的相似性与相异性来分类，但是分类效果不佳。常见的监督分类和非监督分类模型在分类过程中只使用了高光谱遥感图像中的光谱特征信息，而忽略了大量存在的空间特征信息，不仅造成了信息浪费，同时还影响了分类精度。　　半监督分类方法是基于传统的机器学习的一种分类方法，它结合监督分类和非监督分类的优点，可以利用少量带标签的监督信息和大量无监督信息，把分类的难度降低，在不使用那么多监督信息的同时，还可以缩短分类时间，提高分类效率，获得较好分类结果。为此，本文重点研究高光谱遥感图像的半监督分类方法。K均值聚类是一种基于距离的目标聚类方法，该方法基于样本点到质心的距离。K均值聚类算法迭代速率、收敛速率快，适用于样本数量多的大规模数据集。同时本文在K均值聚类算法的基础上进行了进一步的改进，用距离聚类中心最近的点来代替所属类别的全部样本，达到样本缩减的目的。　　本文在"一对多”多分类结构的基础上采用最小二乘孪生支持向量机（Least Square Twin Support Vector Machine,LSTSVM），对高光谱遥感图像进行分类。在分类的过程中结合K均值聚类，并在此基础上提出进一步的改进方法，用聚类之后距离聚类中心最近的样本点来取代这一类的所有样本点，这样可以通过控制聚类中心的数目来控制样本的缩减率，达到对样本进行缩减的目的，并把这种方法在分类器的"-1”类样本中使用，进行样本缩减，减少分类过程消耗的时间，达到提高分类效率的目的；同时进一步在样本缩减的基础上充分利用高光谱图像蕴含的大量的空间数据，在利用光谱数据的同时结合空间数据，提高分类精度，从而达到在缩短分类时间的同时尽量不影响分类的精度，提高分类效率。对比实验表明本文提出的方法能有效提高分类效率。