高光谱图像分类是地球科学和遥感影像处理任务中最受关注的研究热点之一。高光谱图像涉及数百个不同的光谱带,在光谱信息丰富度方面比传统的全色和多光谱遥感图像更具有优势。然而,高光谱遥感图像具有数据量大、非线性和高复杂性等特点,这导致高光谱图像分类任务仍面临巨大挑战。近年来,基于深度学习的方法,尤其是神经网络,不仅具有强大的特征表示能力,而且具有很强的普适性,已经在高光谱图像分类任务上表现出卓越的性能。本文基于深度神经网络的方法,从以下三个方面展开深入研究,即:如何充分利用高光谱图像中的光谱和空间特征信息;如何在增大模型感受野的同时有效避免网格效应的问题;如何深度融合高光谱图像中的局部和全局特征信息。主要的工作内容如下:（1）提出了一种基于残差密集非对称卷积神经网络的高光谱图像分类方法。该算法首先结合残差学习和密集连接来有效重用前层的光谱空间信息,以实现具有判别性的特征提取。其次,利用非对称卷积层替代标准卷积层来减少网络参数并增强模型中卷积核的多样性。此外,采用Mish激活函数代替ReLU激活函数,使得高光谱信息更流畅地在神经网络内流动,从而进一步增强算法的分类准确性和泛化能力。最后,通过堆叠多个残差密集非对称卷积块来构建残差密集非对称卷积神经网络,达到光谱空间特征提取的目的。多个高光谱图像数据集上的实验结果表明该方法可以取得具有竞争性的分类性能。（2）提出了一种基于密集连接金字塔型扩张卷积网络的高光谱图像分类方法。该算法可以有效缓解传统扩张卷积操作带来的网格效应的问题,减少对分类有效的高光谱信息的损失。首先,合理设置扩张卷积层的扩张因子并逐渐增加网络的宽度,可以在增大感受野的同时,避免出现盲点和未识别区域的问题。不同于通过增加通道维度来增加网络宽度的传统方法,该算法中每个扩张卷积层随着网络的加深将包含不同数量的子扩张卷积层,从而实现网络宽度的增加。最后,通过堆叠多个密集连接金字塔型扩张卷积块构建密集连接金字塔型扩张卷积网络,达到增大模型感受野的目的。多个高光谱图像数据集上的实验结果证实该方法可以有效提高地物目标的分类精度。（3）提出了一种基于卷积Transformer混合器的高光谱图像分类方法。近年来,视觉Transformer凭借其强大的全局特征建模能力在计算机视觉领域表现优异。受视觉Transformer的启发,本文首先构建了一种具有卷积神经网络和视觉Transformer的双分支网络结构,用于提取高光谱图像的局部和全局特征。其次,为了实现卷积操作和注意力机制的深度结合,提出了一种局部全局多头注意力机制。最后,将视觉Transformer中原始的多层感知机替换为残差瓶颈块以实现更多局部信息的引入。多个高光谱图像数据集上的实验结果验证了该方法可以实现有效的性能提升。（4）像素之间的相似性关系对高光谱图像分类也很重要。本文在捕获局部和全局特征的基础上,通过引入图卷积网络来挖掘高光谱图像中像素之间的相似性关系,提出了一种基于深度聚合型视觉Transformer的高光谱图像分类方法,实现了卷积神经网络、视觉Transformer和图卷积网络这三种强大范式的深度结合。首先,将大量的卷积操作引入视觉Transformer实现局部、全局特征的有效提取。其次,鉴于图卷积网络可以有效表示和处理高光谱图像中的不规则数据,该方法为Transformer编码器添加了一个新的分支,即图卷积模块,来捕获高光谱图像中像素之间的关系。因此,本文构建的深度聚合型视觉Transformer可以捕获局部特征、全局特征和像素之间的相似性关系,有助于提高网络的特征表示能力。多个高光谱图像数据集上的实验证实该方法可以获得较高的分类精度。