针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题，提出了一种面向高光谱分类的半监督空谱全局与局部判别分析（S3GLDA）算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息，再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形，使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留，并在输出特征中自动融入了空间信息，构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明，总体分类精度分别达到76.24%和82.96%。与现有几种算法比较，该算法有效提高了输出特征在低维空间的判别能力，更好地揭示了数据集的内在非线性多模本质，有效提升了高光谱图像数据集的地物分类精度。

高光谱遥感图像具有特征(波段)数多、冗余度高等特点, 因此特征选择成为高光谱分类的研究热点。针对此问题, 提出了空间结构与光谱结构同时保持的高光谱数据分类算法。考虑高光谱图像的物理特性, 首先对图像进行加权空谱重构, 使图像的空间结构信息自动融入光谱特征, 形成空谱特征集; 对利用最小二乘回归模型保存数据集的全局相似性结构的基础上, 加入局部流形结构正则项, 使挑选的特征子集更好地保存数据集的内在本质结构; 讨论了窗口大小和正则参数对分类精度的影响。对Indian Pines、PaviaU和Salinas数据集的实验表明, 该算法得到的特征子集的总体分类精度达到93.22%、96.01%和95.90%。该算法不仅充分利用了高光谱图像的空间结构信息, 而且深入挖掘了数据集的内在本质结构, 从而得到更有鉴别性的特征子集, 相比传统方法明显提高了分类精度。

针对传统的基于特征提取的高光谱图像分类算法大多只考虑光谱信息而忽略空间信息的问题，提出了一种基于空谱半监督局部判别分析(S3ELD)和空谱最近邻 (SSNN) 分类器的高光谱图像分类算法。该算法结合高光谱图像的空间一致性，在利用标记样本的判别信息保持数据集可分性的基础上，定义空间近邻像元散度矩阵来保存像元的空间近邻结构，提出基于空谱距离的相似性度量并将其应用于局部流形结构的发现和SSNN的构建。S3ELD算法不仅能揭示数据集的局部几何关系，而且增强了光谱域同类像元和空间域近邻像元在低维嵌入空间的聚集性。结合SSNN进行分类，进一步提升了分类精度。利用PaviaU和Salinas数据集进行的实验结果表明，S3ELD算法的总体分类精度分别达到了92.51%和96.29%；与现有几种算法相比，该算法能更有效地提取出判别特征信息，并达到更高的分类精度。

为了充分利用高光谱图像蕴含的丰富的光谱信息和空间信息, 提出了结合多尺度空间滤波和层级网络的基于结构保持的高光谱特征选择算法.算法利用基于l2,1范数的数学模型, 选出同时保存全局相似性结构和局部流形结构的特征子集; 在多个尺度的窗口中使用双边滤波, 自适应计算滤波核, 自动在光谱数据中融入空间信息, 增强了类内相似性和类间相异性, 避免了参量选择; 引入层级结构实现空间信息和光谱信息的深入融合, 提高了分类准确度; 讨论了层级数目和窗口尺度个数对分类准确度的影响.在Indian Pines和PaviaU两个数据集的实验表明, 该算法在大部分地物种类上的分类准确度都有较大幅度的提升, 总体分类准确度分别达到90.98%和94.20%, 相比其他方法明显提高了地物分类准确度.