随着稀疏理论的成熟及自然图像本身存在稀疏性的事实的发现,越来越多的图像分类开始基于稀疏表达模型,特别是在最近几年兴起的高光谱图像分类研究。高光谱图像因为其具有大量的光谱信息,从而可以更加有效的反应不同的地表物。但是,有关高光谱图像的分类也面临诸多难题,例如,数据维数高、数据冗余、标签样本少等等。因此,设计一些高效的、可以有效避免这些不足的高光谱分类方法的需求是迫切的。本文主要针对高光谱图像中的标签样本少的问题进行了研究,以随机游走(Random Walk)算法为基础,在充分利用光谱信息和空间信息的基础上,提出了两种基于随机游走的高光谱图像分类算法。本文的主要工作可以概括如下:对如何在高维核空间进行稀疏建模进行了介绍:通过定义核函数、核字典及一些关联系数在核空间下的计算方式,将OMP(Orthogonal Matching Pursuit)算法应用在高维的核空间,得到了KOMP(Kernel Orthogonal Matching Pursuit)算法。因为空间信息对分类结果的重要性,建立了充分考虑像素相对位置关系的稀疏模型,并且设计了求解该模型的KSOMP(Kernel Simultaneous Orthogonal Matching Pursuit)算法。由于高光谱图像往往具有标签样本数量少的特点,因此,本文首先定义了基于光谱信息及基于光谱和空间信息的转移概率矩阵,分别在数据集上进行随机游走算法,利用随机游走结果扩大标签样本数量,在此基础上,利用KSOMP分类算法完成最终的分类任务。实验结果表明,基于随机游走的分类算法结果优于经典的分类算法和KSOMP算法。为了可以更加方便的利用本论文提出的分类算法进行高光谱图像分类和参数设置等,本论文对所改进的算法进行系统化设计与实现,并且在系统中加入了经典算法和KSOMP算法的实现,以便于进行比对。本文采用公开数据集Indian Pines进行了实验比对,实验结果表明本文所提出的基于随机游走的高光谱分类算法可以有效解决高光谱图像中标签样本数量少的问题,这也为以后有关研究提供了一个参考方向。