1.一种空间邻域信息加权的高光谱遥感图像分类方法，其特征在于，该方法包括：读取遥感图像，对图像特征矢量选取样本并转换成数据矩阵，计算样本数据矩阵的相关系数矩阵，计算相关系数矩阵的特征根，计算特征根的累计贡献率，根据累计贡献率选取特征维数，获取特征矢量，实现对特征矢量矩阵降维，从波段数据中获得部分线性不相关的矢量作为像元样本；从图像矩阵中提取像元样本的邻域像元，获取特征隶属度，根据特征隶属度计算像元样本所有邻域像元对应第某类特征隶属度的中值，作为特征矩阵中所有样本对应每个类别的空间邻域信息，根据空间邻域信息更新模糊划分矩阵和聚类中心，由模糊划分矩阵得到各像元分类结果，构造伪彩色图。

2.根据权利要求1所述的方法，其特征在于，根据特征隶属度计算像元样本所有邻域像元对应第某类特征隶属度的中值具体为：根据公式：计算样本xj对应第i类特征隶属度的中值，其中， 和 为样

本xj所有邻域像元对应第i类特征隶属度的最大值和最小值，其中，C表示邻域窗口大小。

3.根据权利要求1所述的方法，其特征在于，根据空间邻域信息更新模糊划分矩阵和聚类中心具体包括：从图像矩阵中提取样本xj的邻域像元；获得xj隶属于第i类的特征隶属度和空间邻域信息 获得特征隶属度 和空间邻域信息 加权后的模糊相似度以及聚类中心

更新模糊划分矩阵U＝{uij}和聚类中心Z＝{zi}，其中，p为样本的个数，m为模糊指数，α为相关系数矩阵R对应的特征向量。

4.根据权利要求2所述的方法，其特征在于，计算相关系数矩阵的特征根具体为：根据数据矩阵S的相关系数矩阵R，调用特征方程|R-λI|＝0计算R的特征根λ。

5.根据权利要求1所述的方法，其特征在于，计算特征根的累计贡献率，根据累计贡献率选取特征维数具体为：将特征根从大到小排列，得到对应的特征向量a＝{a1,a2,…aω}，根据公式： 计算累计贡献率，其中，λi为系数矩阵R的第i个特征根，λk为R的第k个特征根，ω为波段数，m为模糊指数。

6.根据权利要求5所述的方法，其特征在于，根据累计贡献率选取特征维数，获取特征矢量具体为：找到使累计贡献率第一次到达累计贡献率上限值K的特征维数L，从特征向量a＝{a1,a2,…aω}中提取前L个主成分对应的特征向量β＝{a1,a2,…aL}，调用公式X＝βT·B获取图像的特征矩阵，其中，B表示与3维高光谱图像数据矩阵对应的2维数据矩阵。

7.根据权利要求1至6其中之一所述的方法，其特征在于，设定邻域窗口大小C，以当前样本像元为中心，与它四周相邻的C个像元即为邻域像元。