高光谱图像是通过成像光谱仪获取包含数十至数百个连续光谱波段信息的图像立方体。它包含了地表物质的丰富空间信息和光谱信息,得到了国内外众多学者广泛关注并应用于环境监测、农业监测、军事目标识别和城市地物分类等领域。随着成像光谱技术的发展,观测对象的空间分辨率和光谱分辨率得到不断提高,同时也带来了新的挑战。一方面,高光谱图像光谱维度高且训练样本相对较少(人工标记成本高),容易导致“Hughes”现象;另一方面,高光谱数据呈现的高度非线性使得基于光谱信息的分类算法效果较差。为了更好地解决这些问题,本文从高光谱图像的空谱一体化特性出发,研究如何充分利用高光谱图像包含的的空间和光谱信息,提升小样本地物分类的精度。超像素分割是一种反映图像空间信息的有效方法。因此,为了充分利用高光谱图像的空间信息,本文提出了一种超像素级的Gabor特征分类方法。首先,我们使用一组预定义的2D-Gabor滤波器对原始高光谱图像进行卷积运算,提取有效特征。与此同时,利用简单线性迭代聚类(SLIC)超像素分割方法将原始图像分成互不重叠的超像素。然后,对每个Gabor特征使用支持向量机(SVM)分类器进行分类,并使用多数投票策略融合各个特征的分类结果。最后使用通过SLIC算法得到的超像素图对分类结果进行修正。实验结果表明,超像素图的引入能够提高分类精度,尤其是对于地物分布更均匀的图像。进一步,为了充分利用高光谱图像空谱结构的上下文信息,得到判别力强的空谱特征,本文提出了一种基于三维表面特征的高光谱图像空谱特征提取方法。该方法使用了原始图像数据及其在空间维度和光谱维度的梯度进行联合编码,最后在每个像素的空间邻域进行直方图统计,获得高光谱图像的空谱联合特征表达。该方法整体上考虑了三维空谱结构关系,从而充分挖掘了高光谱图像的空间-光谱信息,提升了特征的判别力。实验结果表明,基于三维表面特征的高光谱图像空谱特征提取方法能够有效利用高光谱图像的三维数据特性,在小样本的情况下取得了不错的分类效果。最后,在前面两种研究方法的基础上,本文提出了一种超像素级的三维Gabor表面特征分类方法。首先,使用第一种研究方法得到的Gabor特征数据及其在空间维度和光谱维度的梯度进行联合编码,生成直方图统计特征。其次,使用主成分分析(PCA)对直方图特征进行降维。同时,利用简单线性迭代聚类(SLIC)超像素分割方法将原始图像分成互不重叠的超像素。然后,对每个降维后的直方图特征使用支持向量机(SVM)分类器进行分类,并使用多数投票策略融合各个特征的分类结果。最后使用通过SLIC算法得到的超像素图对分类结果进行修正。实验结果表明,超像素级的三维Gabor表面特征分类方法能够提取出表征性更强的特征并能得到更好的分类效果。