高光谱遥感图像是利用成像光谱仪在数十甚至上百个窄电磁波段范围内对地物成像获得的,可同时获得地物连续光谱信息和空间结构信息,已被成功应用于城市规划、资源考察、环境监测和农业管理等诸多领域。高光谱图像处理技术包括异常检测、解混、超分辨、特征提取、分类等,其中特征提取和分类作为高光谱图像不可或缺的信息获取手段与基础研究内容之一,已逐渐成为高光谱图像处理领域的研究热点。特征提取能从高光谱图像中提取出有效的判别信息,分类能够确定地物的类别,为城市规划、资源考察等提供决策依据。传统的高光谱图像特征提取与分类方法虽逐渐趋向成熟,但仍存在理论不新、性能有限、且泛化能力较弱等问题,难以满足分类任务的高精度需求。为此,结合深度学习理论的最新成果,本文开展了基于胶囊网络的高光谱图像特征提取和分类算法的研究工作,并从计算机仿真实验的角度分析和验证新方法的有效性。主要研究工作如下:（1）提出了基于鲁棒胶囊网络的高光谱图像特征提取与分类方法。由于高光谱图像数据通常不可避免遭受噪声干扰,且大量的光谱信息会出现信息冗余,不利于特征提取和分类应用。因此,本论文以胶囊网络为基础,提出了基于胶囊网络的高光谱分类框架,并分别从光谱信息和空间信息角度进行特征提取,以挖掘地物目标的光谱信息和空间信息。然后,通过引入最大相关熵准则构建了鲁棒三维胶囊网络模型,在尽可能保留高光谱数据空间结构信息的同时增强模型对噪声和离群值鲁棒性。最后,设计了一种基于最大相关熵准则的新型鲁棒胶囊网络多源数据融合模型,在提高鲁棒性的同时更好地融合高光谱图像的空间光谱信息和激光雷达图像的高程信息,增强融合特征的可分性。（2）构建胶囊对抗网络的高光谱图像分类模型。高光谱图像数据标记样本少且获取成本昂贵,使得高光谱图像分类算法通常因标记样本不足导致分类性能受限。针对这一问题,本论文从样本扩充角度出发,在生成对抗网络框架下通过构造新的损失函数,令生成器以无监督的方式进行学习,提高了样本的多样性从而缓解模式崩溃问题;并通过引入结构化稀疏2,1约束对鉴别器的参数更新进行控制,限制了模型的复杂度。此外,鉴于高光谱数据具有空间相关和光谱连续的特性,设计一种新的鉴别器网络,有效地提取高光谱图像中的光谱信息、空间结构和序列相关信息,从而在较少训练样本的情况下,仍能获得良好的性能。（3）提出了多级特征融合的胶囊网络高光谱图像分类模型。高光谱图像分类中通常采用局部滑动窗口提取空间信息,当窗口中包含不同地物时忽略了相邻像素间的差异性,导致局部信息丢失。为了解决这一问题,本论文旨在有效利用高光谱数据的空间结构信息发展了一种多级胶囊网络高光谱图像分类新模型,该模型从浅层特征中提取光谱与空间位置相关的信息,并将其与深层特征融合以增强对深层特征的判别能力,不仅实现了高低层特征在不对齐条件下的有效融合,还避免了当高光谱图像邻域内像素因细粒度差别被区分时,高层相似性会削弱低层相似性的问题,从而有效利用相邻像素间的差异性获得更具有判别性的特征表示;最后,通过引入谱范数正则化降低模型对噪声和数据扰动的敏感性以提高模型对不同数据集的泛化能力。（4）开展了对抗胶囊域自适应的高光谱图像分类算法研究。高光谱域自适应技术是目前解决高光谱图像场景复杂和样本受限问题的有效途径,但高光谱图像通常会由于来自成像条件和大气条件的差异或物理性质的变化,使得源域和目标域之间的存在光谱偏移现象,从而导致同物异谱的问题。基于此,本文旨在解决高光谱图像域自适应学习中存在的同物异谱问题,设计了胶囊对抗网络的域自适应模型,结合生成对抗博弈准则来对齐真实域和生成域的特征空间,并引入Wasserstein约束监督优化不同域之间的光谱分布差异避免模式崩溃问题,从而有效提高域自适应的泛化能力。然后,构建了一种新的胶囊域生成网络模型,以充分考虑光谱一致连续性来提取高光谱图像的域不变特征和判别特征并学习全域的光谱特征表示,提高了跨域特征空间对齐的能力。最后,利用全域生成器的全域逼近样本和源域样本细粒度优化分类器从而提高其判别能力。综上所述,本论文主要开展了基于胶囊网络的高光谱图像提取与分类算法方面的研究工作,结合最大相关熵准则、生成对抗学习、多级特征融合以及域自适应学习等理论和技术,循序渐进地构建了基于胶囊网络的高光谱图像特征提取与分类算法框架,并利用真实的高光谱数据进行仿真验证,验证了本文所提出各种方法的有效性。