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。

提出了一种基于加权空-谱距离(WSSD)的相似性度量方法, 并将其应用到最近邻分类器(KNN)中, 导出了一种新的高光谱图像分类算法。 该算法利用高光谱图像的物理特性, 通过引入空间窗口和光谱因子这两个参数来挖掘出图像中的空间信息与光谱信息, 利用空间近邻点对中心像元进行重构。在最大限度减少图像冗余信息的基础上, 增大了同类像元间的相似性以及异类像元间的差异性, 获得了更为有效的鉴别特征, 从而更好地实现了数据间的相似性度量。基于Indian Pines和PaviaU高光谱数据集进行了实验, 结果表明: 将提出的WSSD-KNN算法应用于高光谱图像分类时, 其分类精度高于其他算法, 总体分类精度分别达到了91.72%和96.56%。由于算法较好地融合了图像中的空间-光谱信息, 提取出了更为有效的鉴别特征, 故不仅有效地改善了高光谱数据的地物分类精度, 而且可在训练样本较少时, 保持较高的识别率。