高光谱图像包含丰富的地物信息,在农业、工业和军事等领域应用广泛.因此,高光谱图像的识别与分类是一项重要的研究课题.然而,高光谱图像存在光谱维度高、噪声大、标记样本有限等问题,并未取得很好的分类效果.针对以上问题,提出一种波段聚类和多尺度结构特征融合的高光谱图像分类模型(ASPS-MRTV).该方法主要包括以下几个步骤,首先,对高光谱数据进行归一化处理,将归一化后的三维图像按光谱维等分为n个子空间;其次,采用粗细划分策略构造自适应子空间光谱特征提取框架,将每个空间波段拉伸为一维向量后用信息散度构造波段的相似性矩阵,按照聚类的思想对n个子空间进行自适应;然后,将每个自适应子空间的光谱波段平均值进行叠加,形成光谱特征;最后,对所得到的光谱特征数据利用多尺度相对全变分技术提取结构特征.为了增强样本的线性可分性,在数据堆叠之后进行核主成分分析,最终形成空谱特征.对比实验中统一使用惩罚参数C和核参数σ都为24.5的SVM进行分类.经测试,ASPS-MRTV网络模型在Indian Pines、University of Pavia两个数据集上分别以5%,1%的训练样本达到了97.06%、98.98%的总体分类精度.实验结果表明,该模型与SVM、ASPS(ED)、ASPS(ID)、ASPS-LBP、ASPS-GlCM、ASPS-BF模型相比,在分类性能和计算效率方面都取得了更优的效果,有效提高小样本下高光谱图像的分类精度.