در این تحقیق به پیاده سازی و ارزیابی الگوریتم ماشین های بردار پشتیبان در تصاویر ابرطیفی پرداخته شده است. در طبقه بندی تصاویر ابرطیفی به علت ابعاد زیاد، کم بودن نمونه های آموزشی، تغییرات مکانی امضای طیفی، وجود نویز دارای چالش هایی هستیم. با توجه به مشکلات مطرح شده در طبقه بندی تصاویر ابرطیفی نیاز به روش هایی می باشد که به راحتی با ابعاد بالای داده های ورودی کار کرده و همچنین با نمونه های آموزشی کم، کاهش دقت چندانی حاصل نشود. بررسی های انجام شده نشان داده است که در حالت کلی روش های هسته و در حالت خاص ماشین های بردار پشتیبان روش-هایی هستند که قادرند تا حدود زیادی بر این مشکلات فائق آیند. در این تحقیق بعد از تعیین 12 عدد تعداد باند های بهینه از 185 باند طیفی تصویر به بررسی پارامتر های موثر در طبقه بندی کننده ماشین-های بردار پشتیبان مانند نوع هسته و مقدار نمونه های آموزشی پرداخته شده است. به منظور استفاده بهینه از محتوای اطلاعاتی تصاویر نه تنها اطلاعات طیفی بلکه اطلاعات مکانی نیز در روال های طبقه-بندی مورد استفاده گرفته است. در این تحقیق از اطلاعات بافت تصویر در کنار اطلاعات غنی طیفی تصاویر ابرطیفی به منظور بهبود دقت نتایج طبقه بندی استفاده شده است. نتایج نشان داد که ترکیب 12 باند طیفی با 30 باند بافت (همه ویژگی های بافت باهم) بالاترین دقت را حاصل می نماید. در بهترین حالت ترکیب اطلاعات طیفی- مکانی دقت 0.9203 حاصل شد که این امر در مقایسه با اطلاعات طیفی به افزایش دقتی در حدود 5 درصد منجر گردید . همچنین دقت طبقه بندی کننده در ترکیب با داده-های مکانی نسبت به اندازه پنجره مکانی (3×3 تا 21×21) و چهار جهت بردار فاصله ( ?0، ?45، ?90 و ?135) نیز ارزیابی گردید.