针对面向对象的高光谱分类方法中分割参数设置问题，提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法，利用已知训练样本的空间信息，提供有效约束，从而降低区域增长过程中区域标记的错误传播率，以提高分类性能；其次，提出了自适应阈值计算方法，通过分析已知训练样本光谱的分布规律，自适应地计算出合理的区域划分阈值，从而代替经验阈值，提高算法的鲁棒性；最后，采用K近邻算法(KNN)，对划分后各区域中心进行分类。实验结果表明：对于不同图像，提出的算法计算出的自适应阈值均与其经验值相符合，且其分类效果优于其他算法，来自AVIRIS传感器的高光谱数据Indian Pines在10％的已知训练样本下总体分类精度达92.94％、kappa系数达0.919 5，来自ROSIS传感器的高光谱数据Pavia University在5％的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性，同时有效提高了分类性能，在高光谱应用中具有较强的实用性。