随着遥感技术和高光谱成像技术的飞速发展,高光谱图像的分辨率(空间)和可观测的波段数量(谱间)都提高了很多。因此,高光谱图像能够反映地球表面物体精细的空间信息和丰富的谱间信息。由于这些详尽的信息能够真实反映地球表面物体的各类物理、化学性质,使得原本在可见光谱内不可分的地物,在高光谱遥感数据中能够得以识别。同时,也对高光谱数据的处理带来了巨大挑战,其中一项便是高光谱数据的较高维度对分类精度的影响。高光谱图像数据中,有冗余信息,噪声干扰和维数灾难等问题,而维数约减,即降维,是解决这一类型问题的有效方法。数据降维一方面可以发现隐匿在高维数据中的低维结构,另一方面可以缩减处理成本,为后续分类等应用减轻负担。本课题研究基于图嵌入降维框架,深入研究了图的构成及其在降维中应用,然后利用降维后的数据,输入支持向量机(SVM)分类器进行分类处理。论文的主要工作体现在以下几个方面:第一,针对高光谱数据中,同一地物存在相同光谱的假设,利用光谱之间的相似性,设计相似性距离来构图,提出了一种基于谱间相似性的图嵌入降维算法。该算法充分利用了高光谱数据的谱间信息,使原始数据得以充分应用;第二,针对目前已经存在的低秩图嵌入降维算法,只利用了全局的信息而没有考虑局部信息的情况,提出了一种局部保留低秩图嵌入降维算法。该算法在低秩图的基础上,引入局部保留映射算法中保留局部信息的做法,使得改进算法能够充分结合数据的全局特性和局部特性。实验证明改进的降维算法能够较大提升分类精度;第三,目前存在的顶尖图嵌入降维算法包括稀疏图嵌入,协同图嵌入和低秩图嵌入分别利用的是e1范数,e2范数和核范数来构造图。但是单个图不能同时获取到数据的全局最优和局部最优信息。考虑到同时利用三个图嵌入算法优势,提出了一种融合三种图的多图融合算法,并分别从特征融合和决策融合的角度,提升算法的分类精度。