针对高光谱图像分类中小规模训练样本下空间信息利用不足和分类精度下降问题，提出一种联合超像素降维和类别后验概率优化的高光谱图像分类方法。首先根据高光谱图像的空间纹理结构，采用熵率超像素分割算法自适应地识别均匀同质超像素区域，对每个区域逐一应用主成分分析，挖掘能表征图像空间-光谱信息的超像素混合特征；然后将混合特征输入支持向量机中计算各像元初始类别概率向量，采用扩展随机游走算法利用图像空间邻域信息对初始类别进行后验概率优化；最后根据各像元最大类别概率确定分类结果。在Indian Pines、Pavia University和Salinas等3组通用高光谱数据集上开展实验，与其他6种方法进行对比，实验结果表明：在有限训练样本条件下，所提方法的总体分类精度分别为98.29%、97.29%和99.72%，优于对比方法的分类结果。

为了使融合后的多光谱图像在显著提高空间分辨率的同时，尽可能多地保持原始多光谱特性，提出了一种基于Contourlet变换系数局部特征的选择性遥感图像融合方法。根据多光谱和全色图像融合过程中Contourlet变换后的低频和高频部分融合目的的不同，对得到的近似和各层各方向的细节分量分别运用窗口邻域移动模板逐一计算相应区域Contourlet系数阵的不同局部特征量，然后选择适当的准则，对图像的近似和细节分量分别应用不同的策略在Contourlet系数域内进行选择性融合，通过Contourlet和亮度色调饱和度(IHS) 逆变换得到融合的高分辨率多光谱图像。采用Landsat TM多光谱和SPOT全色图像进行的融合实验结果表明：提出的算法在显著提高空间分辨率的同时，又能很好地保持原始图像的光谱特征，并优于传统的融合方法。