高光谱图像中蕴含丰富的地物信息,在环境检测、目标识别等领域中取得广泛的应用。在图像分类过程中,传统的图像分类方法仅利用图像的光谱或空间信息进行分类,并没有考虑图像数据的多种信息,导致图像数据点的错分现象。因此,如何利用图像数据的多种信息进行分类,提高地物的分类精度,是图像分类目前需要解决的问题。本文从高光谱图像数据具有多种信息为切入点,主要以稀疏表示为基本理论,从多种信息融合的角度对图像的分类方法进行研究。主要的研究内容如下:(1)简要介绍本文所使用的空间特征提取方法,分别从光谱信息、表示模型和分类器组合三个不同的方面介绍了几种传统的分类算法,介绍几种高光谱图像分类评价指标和本文中使用的两个高光谱图像数据集。(2)提出一种联合稀疏特性和邻域度量(SNMC)的高光谱图像分类算法,该算法采用传统稀疏表示模型计算稀疏系数,利用图像数据的稀疏特性对样本点进行表示,构建样本点的稀疏相似性,同时考虑样本点也具有一定的近邻特性,构建样本点的邻域相似关系,最终联合样本点的稀疏关系和邻域关系,求解样本点的稀疏-邻域相似值,根据样本点的稀疏-邻域相似值的大小确定地物的类别。在Indian Pines和Pavia University数据集上的实验结果表明,和其他传统的分类方法相比,SNMC算法拥有更高的分类精度,能够显著地改善地物的分类性能。(3)提出一种联合多特性相似度量(MCSM)的图像分类算法。该算法利用图像数据中的多种信息,首先对图像的所有像素点进行空间特征提取,之后构建空间相似关系,利用图像的空间信息,求解样本点的空间相似概率值;然后分别构建样本的稀疏相似关系和协同相似关系,利用图像数据点的稀疏特性和协同特性;最后构建空间-稀疏-协同相似性关系,计算联合相似值的大小,根据该值的大小确定样本点所属地物类别。从Indian Pines数据集和Pavia University数据集上的实验结果可以得出,MCSM算法拥有更高的分类精度,能够显著地提高地物的分类性能。