近年来,基于卷积神经网络的高光谱图像分类方法已达到较高的精度。但由于高光谱图像结构的复杂性,导致基于卷积神经网络的分类方法结构复杂,存在参数量大、计算效率低的问题。此外,随着图像分辨率的不断提升,为高光谱图像进行标注的代价也随之增加,导致该类方法面临小样本问题。针对网络结构复杂问题,提出高光谱图像提取特征的两种方法,即可分离3D卷积方法和1D卷积capsule方法,并在此基础上构建了一种简单高效的高光谱图像分类方法。其中可分离3D卷积方法用于代替标准3D卷积从高光谱图像中提取光谱-空间信息,将标准3D卷积过滤器分解为不跨通道的2D卷积过滤器和跨通道的1D卷积过滤器的组合,在减少标准3D卷积过滤器的参数量的同时简化网络结构;1D卷积capsule方法为capsule神经网络提供了在capsule尺度上的局部特征提取能力,可以理解为1D卷积在capsule数据类型上的扩展,具有局部连接、参数共性以及分布式表示的特性。1D卷积capsule方法可以从capsule尺度提取局部特征,能够避免数据中噪声对分类精度的影响,从而进一步提升capsule神经网络的精度。本文利用上述两种方法构建了三种高光谱图像分类网络用于验证提出方法的有效性。通过在3个有代表性的高光谱数据集上的实验结果表明,本文构建的分类网络与9个主流的高光谱图像分类方法进行对比实验,本文方法构建的高光谱图像分类网络无论在精度上还是在速度上,均优于其它方法。该论文有图30幅,表18个,参考文献64篇。