本文将近年来大数据分析的热门工具深度学习应用到高光谱图像的分析中,利用深度学习网络的深层特征取代了传统的手工特征来分析高光谱数据。针对高光谱图像在深度学习应用领域的样本少,无法构建深度模型的问题,分析了高光谱像素的相似性,提出了像素配对的模型,设计了一个深度神经网络框架,解决了深度神经网络训练过程中需要大量有标记样本的问题,论文的主要工作如下:第一,针对高光谱数据样本少,无法搭建更深层次的网络的问题,提出了使用像素对特征来进行分类的深度神经网络。方法通过将像素进行配对来增大训练数据集,提取像素对之间的特征,充分利用深度神经网络数据驱动的特性,测试的时候通过分类测试像素与其相邻像素的像素对来最终投票表决测试像素的类别。与传统方法相比,本模型的优势在于使用了基于数据的深度特征,对不同的数据有不同的适应性,而不像传统的固定的人工设计的特征。第二,针对传统高光谱数据异常检测上没有有效提取光谱特征的问题,提出了使用像素对特征来进行异常检测的深度网络。首先利用有标签的数据来构建像素对,训练一个深度网络来判断两个像素是否属于同一类,在获取了测试像素与其邻域像素的像素对的深度特征之后,将模型迁移到异常检测的数据上,通过分析中心点与其邻域的像素对特性,就可以知道该中心点是不是异常点。与传统方法相比,本模型的优势在于除了统计信息的使用,还分析了光谱的特性,对于异常点的检测更加的准确。