由于高光谱遥感数据具有波段多、特征非线性、空间相关等特点, 提出一种基于深度学习的空-谱联合(SSDL)特征提取算法来有效提取数据中的空-谱特征。该算法利用多层深度学习模型--堆栈自动编码机对高光谱数据进行逐层学习, 挖掘图像中的深层非线性特征, 然后再根据每个特征像元的空间近邻信息, 对样本深度特征和空间信息进行空-谱联合, 增加同类数据聚集性和非同类数据分散度, 提升后续分类性能。在帕维亚大学和萨利纳斯山谷高光谱数据集上进行地物分类实验: 在1%样本比例下, 地物总体分类精度达到了91.05%和94.16%; 在5%样本比例下, 地物总体分类精度达到了97.38%和97. 50%。结果表明: 由于SSDL特征提取算法融合了数据中深层非线性特征和空间信息, 能够提取出更具鉴别特性的特征, 较其他同类算法能够获取更高分类精度。

高光谱影像中波段数过多易导致“维数灾难”，而传统高光谱影像维数约简算法仅利用光谱特征而忽略了空间信息.针对上述问题，提出一种融合加权均值滤波与流形重构保持嵌入的维数约简算法.该方法利用影像中地物分布的空间一致性特点，对所有像素进行加权均值滤波，消除同类光谱差异性较大的像素影响，并在流形重构过程中增大空间近邻点的权重,提取出更为有效的鉴别特征，实现维数约简.在PaviaU和Urban高光谱数据集上的实验结果表明：相比于其它相关方法，该方法能获得更高的分类准确度，在分别随机选取5%和1%的训练样本情况下，其总体分类准确度分别提高到98.76%和80.21%.该方法在发现内在低维流形结构的同时，有效融入了影像中的空间信息，改善了分类性能.

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。