图像分类是高光谱遥感中一个最热门的领域。尤其是高光谱图像的分类技术已经在民用和军事等领域内实现了很大的进展,应用变得十分广泛。最近几年,由于高光谱的成像技术和成像光谱仪的飞速发展,高光谱图像的光谱分辨率与空间分辨率也得到了进一步提高。由于提高了光谱分辨率,我们可以得到对地遥感充足的信息,然而同时却给接下来的图像处理带来了新的压力和巨大挑战。如何从波段数目众多的高光谱图像中捕捉需要的有效信息,进而实现精准的分类,这仍然是一个迫切需要解决的研究问题。本文针对高光谱图像本身的特点,利用基于深度学习的神经网络模型,提取原始高光谱图像的非线性特征,这种特征具有高度的辨别力,从而实现了对高光谱图像更加精准的分类。本文主要研究了两种基于深度学习的模型:堆栈自编码器和卷积神经网络。本文完成的工作和成果主要包括以下几个方面:首先,这篇论文详细地阐述了高光谱图像的理论基础。分析介绍了高光谱图像的本身数据特点,以及国内外现有的一些高光谱图像的分类方法。其次,学习研究了深度学习的两种网络模型。我们主要介绍了深度堆栈自编码器网络和卷积神经网络的模型结构,详细地介绍了卷积和池化操作的概念,以及局部感受野与参数共享的优点,这些研究基础为高光谱图像的分类提供了有力的保障。最后,提出了几种高光谱图像的分类方法。第一个提出的分类方法是基于边界辨别的堆栈自编码器方法,这个方法可以通过堆栈自编码器模型捕捉高光谱图像具有高辨别力的特征进而通过分类器实现分类,通过选择边界样本对网络微调,提升模型分类性能。探讨了堆栈自编码器在小样本下克服过拟合的问题。第二个提出的分类方法是基于空间自适应约束的边界堆栈编码器方法,该算法探讨了堆栈自编码器通过引入超像素分割,提取样本的上下文的结构特征,充分利用了无标签邻近样本克服了小样本问题。第三个提出的分类方法是基于空间和光谱联合的卷积神经网络方法,该方法通过联合样本的空间特征和光谱特征,将卷积神经网络提取到的浅层特征和深层特征相结合,可以获得具有高辨别力的特征,能有效提高卷积神经网络提取特征的能力。此外,我们还引入了一种数据扩充的策略。该策略能够在无标签的样本中,根据空间相似性和光谱相似性选择合适的样本赋予标签,进而实现扩充训练样本集,能有效克服小样本问题,进一步改善模型的分类性能。