高光谱影像对比其他遥感影像,不仅包含丰富的地面图像信息,而且包含丰富的地物光谱信息。这种图谱合一的优点,使用高光谱影像进行更高精度的影像分类成为可能。然而,高光谱影像高维、波段相关性大、噪声以及独特的非线性特征,给高光谱遥感影像分析与分类带来了巨大的挑战。传统的高光谱遥感影像分类方法都是建立在仅仅分析影像的像素光谱信息,而没有考虑影像中包含的丰富空间信息,如空间结构信息、像素位置和距离信息等。近期的研究现状表明：联合光谱和空间信息的高光谱影像分类方法可以进一步提高影像的分类精度,获取包含更多同质区域的影像分类图,满足制图生产的需要。本论文中,作者以联合光谱和空间信息的高光谱影像分类为主线,通过研究如何提取和使用高光谱影像中包含的丰富空间信息,并利用support vector machines (SVM)方法充分利用像素的光谱信息,发展了两种联合光谱和空间信息的高光谱影像分类方法,取得了一定的成果：通过研究高光谱影像的非线性扩散partial differential equation (PDE)模型,使用代数多重网格的方法建立了高光谱影像的多尺度表达,构建了一系列以高光谱影像为基础的粗网格结构,利用粗网格的顶点服务于基于标记的分层分割,进行高光谱影像分割,最后使用最大投票策略融合基于像素的SVM分类图和基于代数多重网格和分层分割的分割图,得到最终的联合光谱和空间信息的影像分类图。通过对比传统的基于标记的高光谱影像分割和分类方法,证明作者提出的基于代数多重网格和分层分割的高光谱影像分割和分类方法,可以更好的选取与影像空间结构息息相关的像素作为种子点,并实现联合光谱和空间信息的影像分类,分类精度更高。基于边缘保持的图像滤波的基础上,作者通过扩展传统双边滤波优化SVM分类结果的概率图,并以优化后的概率图为基础,充分考虑影像的空间信息和每个类别的光谱信息,为影像中的每个类别分别建立了对应的Gibbs能量模型,通过使用图割模型的方法求解该能量模型,实现对应类别的目标提取,完成联合光谱和空间信息的高光谱影像分类。实验证明,作者提出的基于边缘保持和图割模型的高光谱影像分类方法可以更好的考虑影像中的空间信息分布和光谱信息权重,建立一种新的联合光谱和空间信息的影像分类方法,获取具有更多同质像素的分类图。以作者提出的两种联合光谱和空间信息的高光谱影像分类方法为基础,通过C++编程,作者编写了用于高光谱遥感影像分析和处理的平台软件,不仅可以实现常用的影像读取、显示、保存、滤波、分割、分类以及分类精度验证,而且提供了多种国际上已经发表的相关研究方法,为进行联合光谱和空间信息的高光谱影像分类研究提供了一定的条件。