在遥感技术的应用中,遥感图像分类是一种非常重要的技术。近些年,高光谱遥感图像数据应用越来越广泛,无论是地表信息获取、植被覆盖率监测、还是地图制作等都与遥感分类技术是分不开的。然而,高光谱遥感数据的高维性、冗余性等特点严重影响了遥感分类技术的发展。针对高光谱遥感图像在分类中遇到的挑战,本文就数据降维、空谱特征融合、分类算法进行了研究。生成学习算法是通过总结类别的特征分布和先验概率来判断某个样本的所属类别。生成学习算法虽然解决了判别学习模型存在的一些问题,但是,其在分类中还存在许多不足之处。因此,该算法有待改进和完善。针对其不足,本文提出了改进型的分类算法,先将高光谱数据进行降维处理,然后利用线性鉴别分析将提取的光谱特征与空间特征进行降维融合,最后,在此空间中进行分类。这种改进型的分类算法不仅提高了地物的识别能力,而且也加速了分类进程。本文算法分为两步。第一步空谱特征融合,首先,利用主成分分析提取高光谱图像的光谱特征,在此基础上,利用形态学滤波算子提取高光谱图像的空间特征;然后,将所获得的两种特征进行叠加融合;最后,利用线性鉴别分析对融合特征进行进一步降维,从而获得分类的空谱特征空间。主成分分析可以提取高光谱图像的主要特征,从而可以有效的缩减高光谱数据的维数,并提高分类效率。空间特征的提取有利于不同类别的区分。线性鉴别分析对空谱信息的二次降维融合进一步加大了类间差距,缩小了类内差距。第二步,在形成的空谱特征空间利用高斯判别分析进行分类。实验结果表明,与其他分类算法相比,本文算法在分类中具有一定的优势。本文通过生成学习算法的探讨和研究,针对该算法本身存在的不足提出了一种改进型的算法。在高光谱遥感图像分类中,该算法不仅充分利用了高光谱图像的空谱信息,而且有效的提高了高光谱遥感图像的分类效率和分类精度。论文最后实验结果评价了本文算法分类性能的优劣,为今后的研究奠定了基础。