高分辨率遥感图像信息提取和智能化解译一直是遥感图像处理领域的研究热点之一。图像中颜色、结构、纹理等从不同角度反映场景目标本质的特征被广泛应用于各种分类算法,如何剔除多特征间不相关及冗余信息已经吸引了多国学者的广泛关注。一般而言,使用遥感图像的多特征进行场景分类会使冗余信息、不相关信息、特征维数急剧增加,这将不可避免地导致在庞大的特征维数中存在大量不相关或是冗余的信息,有时也会使得大量无效特征吞噬具有强判别性的主要分类特征,从而导致分类性能的严重下降。因此在遥感图像场景分类领域多特征融合问题是一个重要的研究方向,这里所说的特征融合目的是为了获得有意义的低维图像表示,在高维多特征空间中建立多个映射,它的基本思想是对同一遥感图像的不同特征进行合理组合,以此建立一个新的特征空间,在新的特征空间中结合相关关系分析方法剔除对分类无效的信息,进而促进后续分类工作的顺利进行。对于将两组特征利用复向量的方式合并在一起后再进行融合,或是直接将多个特征向量首尾相连得到一组新的高维特征向量,这些处理方法虽能在一定程度上提升分类精度,但数据的多表示性及特征间的内在相关性受到了极大程度的破坏,很难有效融合多特征。因此如何利用典型相关分析建立多特征融合算法在高分辨率遥感图像场景分类领域是一个急需解决同时具有挑战性的课题。就以上问题,本文深入研究基于典型相关分析的多特征融合分类算法,重点将引入有效相关准则函数、进一步优化投影基以及寻找新的模型学习方法作为研究工作的切入点。设计一类通用的高分辨率遥感图像特征融合分类框架,使得同一幅遥感图像多特征数据之间能够实现信息的有效传递及紧密协作,从而实现高分辨率遥感图像场景分类的自动化解译,进而促进从遥感数据到具体应用领域的信息自主转化。有效避免了传统方法中仅针对某一个具体应用场景中的一点问题进行解决,这样在很大程度上扩大了算法的应用范围,同时算法的实际应用价值也得到了提升。针对遥感图像特征数据中存在的全局几何结构特性,本文通过引入模式识别中一种有效的建立相关准则函数的方法,构建了遥感图像多组特征背景下的多特征融合框架,并以此为基础完成了高分辨率遥感图像场景分类实验。该特征融合框架解决了高分辨率遥感图像处理领域多特征融合问题,同时还为遥感图像处理中多特征融合带来了新思路。从数据挖掘的角度来说,该框架不仅能够表达出遥感数据间的相关信息,同时还能发掘样本数据的固有几何结构。此外,在高分辨率遥感图像数据应用背景下发现了框架中存在的适配性问题,并在后续的工作中针对此问题给出了相应的解决方案。针对稀疏典型相关分析算法在特征融合过程中不能有效获得稀疏特征这一问题,提出一种将稀疏典型相关分析与平滑削边绝对偏离惩罚函数(Smoothly Clipped Absolute Deviation, SCAD)以及贝叶斯信息准则(Bayesian Information Criterions, BIC)相结合的基于稀疏特征的遥感图像分类方法。该方法利用SCAD作为惩罚函数,对稀疏典型相关分析的相关准则函数进行惩罚处理,再利用BIC算法进一步稀疏化所得投影基,为稀疏典型相关分析算法提供了一个新思路。值得注意的是,这种处理方法能够直接控制特征的稀疏性,也在一定程度上保证了哲人性质(Oracle Property),即模型选择的相和性和参数估计的渐进正态性,并在实验阶段验证了算法的有效性。针对典型相关分析算法的非监督特性,本文引入了一种将标签传播算法(Label Propagation Algorithm, LPA)和典型相关分析算法相结合的遥感图像半监督分类方法。该方法主要思想是利用LPA算法建立样本数据的关系图模型,在建立的图模型中利用已知标号信息的节点推理预测未标记节点的标号信息。引入半监督学习思想后,在遥感图像场景分类过程中减少了人为干预,提升了遥感图像场景分类的效率与准确率。