В данной статье представлены методы анализа изображений, основанные на контролируемом обучении, и алгоритм, состоящий из двух этапов определения оптимального классификатора с использованием кластерного ансамбля. В этой работе представлен алгоритм состоящий из двух этапов и метод анализа изображений, основанный на полу-контролируемом обучении. На первом этапе вычисляется усредненная коассоциационная матрица с использованием кластерного ансамбля. На втором этапе определяется оптимальный классификатор с использованием полученной матрицы ядра в качестве входных данных. Численные эксперименты проводились с реальным гиперспектральным изображением. Результаты экспериментов показали, что предлагаемый алгоритм обладает высокой точностью классификации, сопоставимой с некоторыми современными методами, и во многих случаях превосходит их, особенно в условиях шума.