森林自然资源为大量生物提供了栖息环境和物质基础,森林不仅具有优美奇特的自然风貌,还为人类的文明提供了可持续发展的物质和环境基础,所以对森林资源的管理十分重要,特别是针对森林树种的分类识别将是人类的重要研究任务。森林资源管理在森林树种识别研究中慢慢地从野外调查、多源数据和多光谱遥感的手段过渡到更方便快捷的高光谱数据研究中,但是森林树种高光谱数据的分类研究中存在光谱数量冗余和样本数据的标签不易获取两个关键问题。本文针对这两个问题分别进行了深入研究。针对高光谱数据的波段数量冗余问题,本文提出基于深度学习可解释性的波段选择方案,首先设计1D-CNN模型,用少量森林树种高光谱数据进行训练;然后,利用Grad-CAM计算具有判别意义的热力图进行波段选择的指导;接着为了更好的显示出更细腻的热力图,本文又提出运用导向反向传播理论,将导向反向传播的热力图与Grad CAM相乘得到Guided-Grad CAM热力图,该热力图也可以对波段选择进行指导;最后,选定一种热力图,根据热力图的亮度来确定被选择波段,用SVM和KNN分类算法对波段选择的效果进行评价。实验结果表明,发现本方案在森林资源树种分类研究中表现有效,不仅可以有效地减少高光谱数据维度,还能够可视化每种树种的重要波段。针对标签获取不易的问题,选择更具价值的标签是关键,本文提出主动深度学习方案,首先设计以Res Net-18为基础的分类模型,从中间特征层中引出模型分支用于不确定性的学习。框架由两个模块组成,一个是分类预测模块,一个是不确定性预测模块;然后,设计联合损失函数具备分类功能,也拥有损失值的相对大小关系判断的功能,在每轮训练中两个模块同时参与训练,联合损失同步更新。对每一轮主动深度学习过程进行评估,实验结果表明,本方案在森林树种高光谱分类中可以有效地减少需要标记的样本数量,从而提升森林树种高光谱数据的分类精度,并且在森林资源树种分类中,分类效果优于传统方案。