大数据、云计算等技术的产生,为数字时代的信息技术的创新和发展按下了快捷键,数据信息处理的方式也在不断更新,机器学习领域中,分类算法的发展步伐也在不断加快。本研究以黄瓜叶片高光谱图像作为研究对象,目前对高光谱图像的分类研究以机器学习为主,对分类算法进行改进,提出了基于人工蜂群与K-means的改进混合聚类算法以及一种基于最小最大邻域阶构图的半监督学习分类算法,利用高光谱仪采集黄瓜叶片的高光谱图像,对图像光谱数据处理后进行分类,通过在不同类型分类算法的实验中提取相关数据展开对比分析,结合不同类型算法的特点综合评价。具体研究工作如下:1.对采集的黄瓜叶片高光谱图像提取ROI平均光谱数据,采用多元散射校正（MSC）、标准化处理（SNV）进行预处理,消除散射影响,减少无关的光谱信息,用主成分分析法（PCA）进行降维,将信息表达较多的主成分提取出来,消除数据的冗余。2.提出了一种改进的无监督分类方法,基于人工蜂群与K-means的改进混合聚类算法（IABC-K-means++）,将全局人工蜂群算法与K-means++算法相结合,使得改进算法可以具备全局寻优,并且能够优化初始聚类中心,收敛速度快的能力。使用UCI数据库中的Iris、Wine、Glass、Balance-sacle数据集进行实验,结果表明,研究提出的混合聚类算法稳定性更好,聚类效果也有了明显改善。3.提出了一种基于图的半监督学习分类算法,将最小最大邻域阶构图法结合简洁局部全局一致性学习算法,即KMM-BB-LLGC算法,兼顾边的对称及整个图的连通,简化图上的目标函数,使其不受参数α的影响。测试实验与KNN-LLGC、KNN-BB-LLGC、KMM-LLGC几种分类方法进行对比,实验表明,提出的方法分类准确率更高,可以实现对样本高效、精确的分类。4.将提出改进的无监督学习、半监督学习以及传统的监督学习三种不同类型的分类方法在黄瓜叶片数据上实验,进行综合的对比分析,探索不同分类算法在高光谱图像数据上的适用性以及验证改进算法的实用度。