随着数据模态多样化,高光谱数据作为具有图谱合一优势的一类遥感数据受到了广泛关注,该数据能够同时获取观测对象的空间维度和光谱维度信息,并多尺度、多维度的描述被观测对象。目前,针对高光谱数据的精细分类模型多用于城市、农田、环境监测等领域,但如何提高分类模型对观测区域的分类解译的准确性,仍是一项需要深入探究的课题。在众多分类方法中,本文以基于表示的和基于最小二乘回归的分类模型为研究方向,分别对以上两类方法在高光谱数据分类任务所面临的局限性进行探究,并提出各自的改进模型,本文主要研究内容如下所示:1、高光谱数据中光谱的不确定性严重影响着分类模型的实际效果,其中由于其简单性和有效性而引起关注的基于协同表示的分类模型,针对未充分考虑改善样本光谱维度的差异,以及未明确利用训练样本的类别标签信息指导学习表示系数的问题,提出了一种基于结构感知的协作表示分类模型,同时考虑利用训练样本的类别标签信息和改善样本光谱特征的不确定性,以获得更有判别力的表示系数。在提出的分类框架中,采用了边缘回归。此外,设计了类间行稀疏结构以保持类内样本的紧凑性和类间样本的差异性,从而增强了样本的可分离性。对三个开源高光谱数据集进行了实验及分析,结果表明该方法明显优于现有基于表示的分类模型。2、基于最小二乘回归的分类模型能够有效应对多分类任务,多用于人脸识别领域。但用于高光谱数据分类中时,该类方法在高光谱数据光谱不确定的情况下常过拟合异常样本,并且在投影空间中易丢失高光谱数据丰富的判别信息。针对以上问题,提出了一种有效的基于类标签的像素级高光谱数据分类方法——判别边缘最小二乘回归,同时考虑类的可分离性和数据重构能力来学习更鲁棒的投影空间。提出的模型使用了类内紧度图来增强类可分离性以避免过拟合问题,并且施加数据重构约束以在有限的投影空间上保留判别信息。基于人工合成的流形数据和高光谱开源数据的实验结果显示,本文所提出的判别边缘最小二乘回归算法善于处理流形数据,且相比于其余基于最小二乘回归和基于表示的分类模型均具有优越性。