最近，高光谱成像技术获得了极大关注，尤其是高光谱图像的分类作为高光谱处理的重要内容更是研究的热点。高光谱图像含有丰富的信息，这一特性使高光谱图像广泛应用于地物分类，而高光谱图像的分类往往仅使用光谱信息，这就很容易造成“同物异谱”或“异物同谱”现象，导致分类不准确;高光谱图像含有丰富的空间上下文信息，所以将光谱信息和空间信息结合成为新的研究热点。
　　为了获得更精确的高光谱图像分类结果，完善现有的分类方法，本文将集成学习方法引入到高光谱图像分类中，集成学习可以训练多个分类模型，这适用于空间光谱结合的分类方法。本文从遥感理论的基础出发，立足于提高高光谱图像的分类精度，设计了基于空间光谱联合信息的集成分类器，主要工作如下:
　　研究了现有的基于空间光谱信息的高光谱图像分类方法，针对仅使用光谱信息造成的分类不准确的现象，提出了基于双通道神经网络的分类方法，通道1提取光谱特征，通道2提取空间特征，每个通道分别利用RNN和CNN做到信息的互补，将两个通道的四组特征经全连接层输出最后获得的分类结果。同时，为了获得更好的分类效果，进一步提升分类精度，本文又提出了一种基于集成学习的空间光谱特征多分类器的高光谱图像分类方法，通过引入集成学习，使用融合了空谱特征的训练样本训练基分类器，并将分类结果进行组合。
　　通过在高光谱数据集IndianPines、PaviaU、Botswana的实验对比证实了本文提出的基于空谱联合的方法确实能有效地改善高光谱图像分类结果，引入空间信息后，对类别的判断更为精准，并且在分类精度上有很大提升，比仅使用光谱信息的分类方法平均增加了3％左右。而集成空间光谱特征多分类器的高光谱图像分类方法在空谱联合分类的基础上，将精度又提升了1％左右。