高光谱遥感影像在表征地表空间特征的同时,还具备精细的光谱特征,图谱合一的特性使高光谱遥感具有其它遥感技术所不具备的优势。然而高维特性以及样本的有限性也给高光谱影像处理提出了诸多挑战。针对高维特征空间和小样本问题构建高稳定性、高精度的分类模型是高光谱遥感影像分类领域亟需解决的重要科学问题。光谱和空间特征联合的分类方法综合了光谱和空间特征的优势,通过利用地物空间相关性信息和上下文特征,可保留图像更丰富的细节特征,较好地弥补了单纯基于光谱信息分类的不足。多分类器集成的方法提高了集成学习中各成员之间的差异性和互补性,综合了不同分类器的优势,可以获得较高的分类精度。本文在高光谱影像空间特征提取和集成学习理论分析的基础上,系统研究了联合光谱和特征的高光谱遥感影像多分类器集成方法,利用形态学属性剖面来提取遥感影像中多重空问几何结构,提出了基于形态学属性剖面的高光谱影像多分类器集成方法和基于自适应形态学属性剖面的高光谱影像分类方法,以上两种方法都是光谱和空间特征联合分类方法中的同步处理策略。在此基础上,提出了光谱和空间特征联合的高光谱影像后处理方法一综合聚类信息的高光谱影像多分类器集成方法,该方法利用聚类结果得到图像对象,以图像对象为基本单元进行分类,获得了低噪声、高鲁棒性的结果。采用ROSIS、AVIRIS和GRSS-DFC-2013高光谱遥感影像检验了本文方法的有效性。论文主要研究结论和创新点：1)借助形态学属性剖面获取影像的多重空间特征,然后用极限学习机、支持向量机和旋转森林等方法进行分类,将多个分类结果以多数投票的方式集成,实现分类。相比已有的集成学习方法,同时考虑了不同光谱维形态学属性剖面空间特征构建以及基分类器的联合集成,综合不同的空间特征和不同分类器的优势,提高了分类结果的精度和泛化能力。2)基于集成学习的理念,提出一种自适应形态学属性剖面的多分类器集成方法。首先设置一定的参数范围,然后在参数范围内多次选择参数构建形态学属性剖面,生成基分类结果,循环迭代多次后,将多个基分类结果通过多数投票的方式集成。形态学属性剖面获取丰富的空间细节特征,集成学习的方法不仅克服了形态学属性剖面参数选择的难题,同时增强了分类的结果的稳定性。3)使用不同聚类方法(K均值、迭代自组织分析算法、模糊C均值算法和K中心)获得聚类结果,通过四连通区域标记进行图像对象的划分和标记,根据逐像素分类结果采用多数投票法进行逐对象分类,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该集成方案综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关关系和下文特征,较好地弥补了单纯基于光谱信息分类的不足。本文的方法是在光谱和空间特征联合的框架下进行,同时考虑多分类器集成的方法原理。三者是并行关系,前二者属于联合光谱与空间信息的同步处理策略,第三种方法属于后处理策略。本文既考虑光谱特征和空间特征的结合,又利用了集成学习的优势,对光谱和空间特征联合的高光谱遥感影像分类方法进行了初探,分类结果保留了丰富的细节特征,在提高分类精度的同时,增强了的分类的稳定性。