高光谱遥感图像提供了丰富的地物信息，但也给图像分类识别带来了许多困难。由于高光谱遥感数据少则数十个、多则数百个波段，具有波段多、数据量大、波段间信息冗余度高等特点，给高光谱图像处理以及分类识别带来了难度。经过20多年的积累，在传统多光谱分类识别算法的基础上，形成了一系列的高光谱遥感分类识别算法。初步可以归纳为基于统计分析和基于光谱匹配两个方面。

统计分析分类算法是利用统计方法计算同类地物在空间中的统计特征参数——均值、方差和协方差等，在统计参数间建立分类规则和判别函数来判断未知像元的归属。基于统计分析的分类可划分为监督分类和非监督分类两大类。常用的监督分类算法包括最大似然法和最小距离法。这些方法都是在多光谱遥感分类的基础上发展而来的，不适用于高光谱遥感分类。对于高光谱遥感分类来讲，在有限训练样本条件下，随着遥感数据维数的增加，样本/维数比率会大大降低，利用常规的监督分类识别方法存在以下缺陷：随着高光谱波段的增加，训练样本数量的要求剧增。如果训练样本数目固定不变，随着波段的增加，分类精度呈现由小到大又由大变小的现象。人们将这种现象称为Hughes现象。由于Hughes现象的存在，在进行高光谱遥感分类识别时往往先要进行特征选择和特征提取。特征选择就是对特定对象选择光谱特征空间中的一个子集，这个子集是一个简化了的光谱特征空间，但它包括了该对象的主要特征光谱，并且在一个含有多种目标对象的组合中，该子集能够最大限度地区别于其他地物。通过特征选择，可以强化那些最具有区分性的光谱波段，特征选择的方式可概括为光谱特征位置搜索和光谱距离统计两种。基于植被光谱维特征提取模型提出了可见光-近红外波段的8个特征位置分别是：蓝紫波段吸收峰、蓝吸收边、绿反射峰、黄吸收边、红吸收峰、红边位置、近红外平台位置和红外波段最大点，这些特征位置很好地诠释了可见光-近红外波段的光谱特征，是进行光谱特征选择的可靠依据；特征提取也是一个光谱特征空间的降维过程，与特征选择相比，它是建立在各光谱波段重组和优化基础上的运算。在经过特征选择后的光谱特征空间中，其新的光谱向量应该是反映特定地物某一性状的一个光谱参量，或者是有别于其他地物的光谱参量。最常见的特征提取方法有主成分变换（PCA）、最小噪声变换（MNF）、判别分析法（DAFE）、决策边特征提取（DBFE）、非参数加权特征提取（NWFE）等。非监督分类算法包括K-均值算法、迭代自组织的数据分析（ISODATA）算法等。光谱匹配算法是指通过研究两个光谱曲线的相似度来判别地物的归属类别，即将高光谱遥感数据与已知参考光谱（如实验室光谱、野外地面实测光谱、影像光谱）进行波形和特征的相似性对比分析后，直接识别地物类型。光谱匹配算法又可分为基于光谱波形的光谱匹配和基于光谱特征的匹配。基于光谱波形的光谱匹配算法主要包括光谱距离统计（如欧氏距离、马氏距离等）、光谱角度填图法（SAM）、光谱相关匹配（SCM）、交叉相关光谱匹配技术（CCSM）、二值编码匹配算法，基于光谱特征参数的匹配算法是从分析光谱入手，提取光谱曲线上具有代表意义的光谱特征参数来进行图像的分类识别，代表算法有Kruse等用光谱特征的最深吸收半波长宽、波长位置和吸收深度来定义光谱吸收特征参数，进行图像像元的分类识别。