超像素级的高光谱图像分类是一类有代表性的谱-空分类方法. 与像素级分类方法相比, 超像素级的分类方法在分类精度和分类效率方面都有明显的优势. 然而, 超像素级分类算法的主要缺点是分类结果严重依赖于超像素的分割尺度. 已有的文献表明, 最优超像素分割尺度的获得往往是一个实验结果, 很难预先确定. 为了削弱这种依赖性, 本文提出了一种基于超像素合并的超像素级高光谱分类算法. 该方法首先采用局部模块度函数对所构造的稀疏加权超像素图进行合并; 然后通过新定义的映射将每一个超像素块表示为一个样本点, 使用流行的KNN方法对合并后的超像素图像进行超像素级分类. 超像素的合并增强了空间信息在分类中的作用, 有效地削弱了分类结果对超像素分割尺度的依赖性, 并提高了分类精度. 为了评价该方法的有效性, 在两个公开的基准高光谱数据集上, 将所提出的方法与一些先进的高光谱图像分类方法进行了实验和对比. 实验结果和比较结果表明, 该方法不仅有效削弱了超像素分割尺度对分类结果的影响, 且在分类精度和计算效率方面都有十分明显的优势.