高光谱图像分类一直是遥感领域的研究热点,高光谱遥感图像包含地物的光谱信息及空间信息,可以利用这些信息对地物进行分类与识别。在过去的20年中,提出了很多分类及特征提取方法,例如最近邻分类器、支持向量机分类器、基于主成分分析的线性降维以及基于流形学习的非线性降维等方法。但是无论是分类器还是特征提取,都处于浅层的级别。如何提取深层的特征,使得特征更加抽象更易于分类,是当今机器学习领域的研究热点。深度学习便是解决这个问题的新方向,也是近年来机器学习领域的研究热点。深度学习可以构建深度网络,增大模型的参数量,使模型可以记住更多的训练数据。同时,如何针对具体的问题构建网络,也是深度学习的研究内容之一。随着网络层数的增多,以往的训练方法可能无法训练出更好的网络参数,新的训练技术是解决问题的根本。除此之外,网络模型变大也同样增加了计算量,降低了使用时的效率,如何提高网络执行的速度也是实际应用中很重要的环节。论文首先介绍自编码器这种经典的深度学习网络模型；其次,基于多层感知器模型,讨论多种网络优化策略,以提高网络执行效率以及提高网络分类性能,并基于这种优化的多层感知器对高光谱遥感图像进行分类；然后,针对高光谱遥感图像的特点,综合利用数据光谱信息和空间信息,基于两种深度网络模型(优化的多层感知器和卷积神经网络)对高光谱图像进行分类；最后对多时相高光谱遥感图像分类问题,基于优化的多层感知器,加入类心对齐策略,构造深度迁移网络,实现迁移学习的目的。论文主要研究工作如下：首先介绍深度学习领域的经典算法：栈式自编码器,这种算法很好地阐述了预训练与微调的作用。自编码器通过逐层的无监督预训练来初始化网络的模型参数,再通过有监督的微调使网络适用于特定的任务,其中无监督预训练所确定的参数,通常比随机初始化的要好。但自编码器的预训练降低了网络训练的效率,需要通过预训练跟微调两个环节才能训练完整个网络。并且,不同网络训练技术的使用,对于网络的分类效果有较大影响,因此,深度学习神经网络的优化对于提高分类效果起着非常重要的作用。论文基于多层感知器模型,讨论了几种新的有效的网络训练技术,包括ReLU神经元,防止过拟合策略,以及网络权值优化算法,利用这些技术,能够更加高效地训练深度网络,提高分类效果。其次,在高光谱图像分类领域中,通常只利用地物的光谱信息,而缺少对空间信息的利用,研究表明,利用空间信息可以降低分类“噪声”,提高高光谱遥感图像的分类精度。因此,论文基于第三章给出的优化的多层感知器,结合图像空间信息,进一步提高分类效果。另外,卷积神经网络是深度学习中非常成功的模型,但是还没有应用到高光谱遥感图像分类领域,论文基于卷积神经网络,设计两种方式,把每个像素点的空间邻域信息作为卷积神经网络的输入,应用于高光谱遥感图像分类。最后,对于多时相高光谱遥感影像,假如我们对其中一幅影像(称为源域数据)已经有足够多的标记样本,那么如果能够重新利用这些知识,对新来的缺乏标记样本的遥感影像(称为目标域数据)进行分类,能够减少新影像分类的人工成本,提高图像分类的自动化水平。如何把已有知识有效运用到新环境中是迁移学习要解决的问题。论文基于深度学习网络,采用类心对齐策略,实现迁移学习,应用于多时相高光谱遥感影像分类。论文在深度学习网络目标函数中,加入两个域数据类心特征相似的约束,通过深度学习网络对两个域数据做非线性变换,以达到变换后两个域数据特征相似的目的,从而可以直接利用变换后的源域标记数据对变换后的目标域数据进行分类。论文的创新点包括：(1)论文第三章把当前最新的一些网络优化策略加入到多层感知器算法中,应用于高光谱遥感图像分类,提高了网络执行效率以及分类性能。(2)论文第四章将卷积神经网络应用于高光谱遥感图像分类,并结合高光谱遥感图像空间信息,设计两种网络输入数据的方式,以适应卷积操作,进一步提高卷积神经网络对高光谱图像分类的性能。(3)论文第五章针对多时相高光谱遥感图像分类问题,在优化的多层感知器算法中,加入源域数据和目标域数据的类心对齐策略,使得网络具有迁移学习的能力。