高光谱遥感图像(Hyperspectral image,HSI)为光谱分辨率在纳米级范围内的光谱图像,可以探测和识别到在宽波段遥感中不可见的物质。在土地利用、资源调查、自然灾害、全球环境、星际探测等方面具有重要的应用。高光谱图像的分类则是指通过具体的分类算法提取图像的空间特征,然而,随着光谱维度的增加,对高光谱图像的分类算法提出了更高的要求。为提高其分类精度,对分类算法的研究已经成为遥感领域重要的课题。本文在现有分类方法充分研究的基础上,提出了基于图的加权类标传播算法,且该分类方法的内容包括构造图和类标传播算法。对于构造图,需对图像的空间及光谱信息充分利用以建立稀疏表示模型,并使用稀疏系数作为相关性的度量。在使用残差对相关性修正之后,构造出体现像元间关系的图。对于类标传播算法,需考虑两个目标:(1)相似度大的两个像元其隶属度向量的差异性小;(2)样本像元的隶属度尽量与其已知类别一致。将(1),(2)两目标加权求和得到类标传播模型,从而求解出每一个像元的隶属度向量。此外,为了提高计算效率,本文使用了迭代算法对线性方程组进行求解。为验证算法的可靠性,本文分别选取了美国印第安州西北部试验区、意大利帕维亚大学和美国加利福尼亚州萨利纳斯山谷的遥感数据进行仿真实验,并将结果与现存的分类算法(稀疏表示算法、支持向量机算法)和本文算法进行了对比。实验结果表明,经改进后的基于图的类标传播算法显著提高了高光谱图像的分类精度与Kappa指标。