当今世界,机器学习相关技术的应用领域正在迅速扩大,数据处理与信息分析的技术也发生了翻天覆地的变化,影像数据的分类效果也因此能够得到显著的提高。以往的高光谱或多光谱图像分类与识别,往往只关注像元光谱维上的特性,其特征统计也只在光谱上进行展开。由于自然界的复杂性、混合像元问题的存在,仅靠像元的光谱特性是不够的。在高光谱遥感图像监督分类过程中加入空间特征信息,可有效提高分类结果的速度与精度。本研究将两种空间信息的提取方法与极限学习机(ELM)和支持向量机(SVM)结合,对两种机器学习分类方法加入空间特征信息前后的分类结果进行时间与精度的综合评价与比较分析。本文选取了经典的ROSIS传感器的意大利帕维亚大学以及Hyperion传感器的博茨瓦纳奥卡瓦纳三角洲的高光谱遥感数据作为试验数据;同时,为了试验机器学习方法在地质找矿当中的应用前景,还选取了美国内华达赤铜矿AVIRIS高光谱遥感数据进行试验。经影像预处理、训练样本选取、光谱特征分析,分别运用两种分类方法对数据集进行分类实验;之后将光谱特征与空间特征结合对数据进行分类试验。本文主要的研究内容和结论有以下这些方面:(1)利用支持向量机(SVM)与极限学习机(ELM)两个分类方法,对采集于两种不同传感器、具有不同地表覆盖类型的高光谱数据集进行实验,对数据进行光谱特征分析,并与分类结果进行对比,证实了不同类别之间的光谱曲线特征相似度较高,将会增大数据集的分类难度,并对类别的分类精度结果产生不良影响。(2)基于梯度图像的直接分水岭算法容易导致图像的过分割,产生这一现象的原因主要是由于输入的图像存在过多的极小区域而产生许多小的集水盆地,从而导致分割后的图像无法把图像里有意义的区域体现出来。所以应当把分割结果的相似区域实施合并。(3)运用多数投票法将光谱和空间分类结果进行合并,其结果中很多离散点被指定为邻域值,提高了分类精度。另一个效果是类别间的边界平滑了,解决了分类精度差异常出现在这些边界点上的问题。(4)运用混淆矩阵方法对实验结果进行对比分析,可以看出,将基于光谱特征的分类结果与空间特征相结合,可以有效提高两种算法的分类精度。同时在分类时间、精度方面,对于两个研究区,极限学习机(ELM)均优于支持向量机(SVM)。