高光谱图像提供了丰富的可以反映不同材料物理材质的光谱信息,可用于对地物精细分类。传统的分类方法在对高光谱图像分类过程中面临许多问题和挑战:如何解决小样本对高维数据的识别分类问题、如何对分类结果进一步优化、如何提高方法的执行效率等等。本论文充分利用高光谱图像的光谱信息和空间信息,在高光谱图像分类方法研究现状的基础上,研究了两种半监督高光谱分类方法,并使用多个高光谱数据集对提出方法进行了验证。1.为了克服稀少样本对高光谱图像的分类精度的影响,提出了一种基于多分辨率分割与边缘保持滤波的高光谱图像分类方法。首先采用多分辨率分割的方法对高光谱图像进行分割,将图像分割为多个同质区域,在包含训练样本的同质区域内随机选取几个像素进行标记作为新增的训练样本,有效的克服了分类样本不足导致高光谱图像分类精度显著下降的问题。然后使用支持向量机对高光谱图像分类得到初始分类结果。充分利用像素之间的空间相邻性,使用边缘保持滤波纠正初始分类结果中类似“椒盐”噪声的误分类结果。实验比较了几种广泛使用的高光谱图像分类方法,结果显示:基于多分辨率分割与边缘保持滤波的高光谱图像分类方法能够充分利用图像的空间上下文信息,有效的增加训练样本的数量,提高高光谱图像的分类精度。2.传统的标签传播方法是一种局部传播标签的方法,方法忽略了高光谱图像的空间信息,在小样本下分类效果较差。针对这一问题,提出一种基于超像素与标签传播的高光谱图像分类方法。该方法首先把高光谱图像分割为大量的超像素,利用超像素的光谱相似、空间相邻的性质增加训练样本的数量。然后,通过标签传播方法把标签从已标记样本传播到未标记的样本作为最后的分类结果。在标签传播之前,同时考虑高光谱图像的光谱信息和空间信息构建一个稀疏图。稀疏图中每个顶点表示图中一个样本,样本之间边上的权重通过联合样本间的光谱信息和空间信息得到。提出的方法能够传播标签到所有的未标记像素突破了传统标签传播的局部框架。将基于超像素与标签传播的高光谱图像分类方法应用到常用的高光谱遥感图像中并与多种现有的基于光谱-空间信息的高光谱图像分类方法进行比较。结果显示:该方法运行时间不受训练样本数量的影响,而且在小样本下依然能够提供较高的分类精度。