针对高光谱分类中对光谱信息和空间信息利用不足的问题，提出了一种基于稀疏表示模型和自回归模型相结合的分类算法。该算法利用稀疏表示模型和自回归模型，设计联合字典：在光谱维上，利用稀疏表示模型将高光谱的每个光谱向量表示为字典中训练样本的稀疏线性组合；在空间维上，利用自回归模型对每个光谱向量的8邻域进行约束。针对不同样本分别构造一个字典，在减少计算量的同时减小重构误差，最后在最小重构误差和邻域相关性的约束下求解稀疏表示问题，以最小重构误差为准则实现高光谱数据的分类。仿真结果表明，该方法能够有效地提高高光

本文提出了一种基于贝叶斯框架下的高光谱影像在隐藏场中基于空间光谱低秩表示的新分类方法。 该方法的关键思想是同时探索隐藏域的频谱域中的低秩属性和隐藏域的空间域中的非局部自相似性，这是通过稀疏多项式逻辑回归以有监督的方式估计的。 首先，在局部立方斑中利用了频谱域中的低秩特性。 然后，将相似的三次面片以非局部意义聚类为几组，并假设每组中的面片位于低秩子空间中。 最终模型可以通过增强拉格朗日方法有效求解。 在两个真实的高光谱数据集上的实验结果证明，与其他最新的分类器相比，所提出的分类器在总体准确性，平均