高光谱图像分类是高光谱数据分析过程中最重要的任务之一,精准的分类结果是高光谱遥感广泛应用的前提。近年来,深度学习以其强大的表征能力在计算机视觉领域取得巨大成功,应用深度学习处理高光谱图像分类问题是当前遥感领域的研究热点。然而,由于高光谱图像中光谱数据维度与可用训练样本数目的失衡,深度学习网络常面临过拟合问题。各种深度学习网络固有的建筑模块在不同方面限制了其对光谱、空间信息的联合利用与学习。针对上述问题,结合高光谱数据的特点,本文提出两种基于深度学习的高光谱图像分类方法。具体内容如下:1、提出一种基于光谱角距离加权融合和可变形卷积神经网络的分类方法。首先,使用层级引导滤波提取边缘等低级空间特征。然后,通过计算余弦夹角距离评定特征融合的权值参数,对多层次的滤波输出进行加权融合。最后,构建深度可变形卷积神经网络对融合特征进行深层抽象,完成端到端分类。该方法在空谱联合特征的获取过程中考虑了二维卷积忽略的光谱相关性,利用具有可变形结构的卷积神经网络自适应性地概括高光谱图像中场景成像的各种变换。2、提出一种基于多尺度形状体的图正则堆叠稀疏自编码网络的分类方法。首先,使用超像素分割方法构建不同形状的均匀同质区域块。接着,对每个像素计算其所在的形状自适应区域块的协方差表示。然后,将得到的空谱联合特征馈送入堆叠稀疏自编码网络中,经高级特征抽象得到初步分类结果输出。最后,通过图映射下的信息传递修正网络输出的分类结果。该算法解决了固定窗口输入的局限性,使用多尺度策略扩充样本,解决了高光谱图像的小样本问题。此外,协方差描述算子可利用其他特征提取方法没有考虑的频谱相关性信息,最后,图正则化方法利用空间下文信息修正网络输出的分类结果,弥补了堆叠稀疏自编码网络在特征提取和分类过程中因一维网络结构限制而完全丢失空间信息的缺陷。实验表明,本文所提算法具有良好的分类性能。