高光谱遥感图像分类是遥感图像自动理解的一项基本任务,也是深度挖掘遥感信息的前提保障,在自然灾害检测、地理图像检索、环境监测等领域有着广泛的应用。随着遥感卫星技术的日新月异,获得遥感图像分辨率愈来愈高,也正因为遥感图像分辨率不断提高,可以从图像中提取更多有用的信息。然而,由于高光谱遥感图像的分辨率不断提高,其图片复杂的空间结构和信息冗余都为场景分类任务带来新的挑战:不同场景类别之间不仅存在一些相同的土地覆盖类型和对象类别,而且物体总是以不同的尺度和方向出现,这些因素增加了类内差异性和类间相似性,需要就分类模型提出更高的要求。近年来,相比于传统的分类方式,卷积神经网络在遥感图像分类任务中取得了显著的进展,已成为研究高光谱遥感图像的主流方法。虽然卷积神经网络对高分辨率遥感图像处理带来很多方便,但在许多实际应用部署上,受到其高计算成本的阻碍,使得对网络模型进行压缩越来越引起人们的关注。基于这一思路,本文在对卷积神经网络引入剪枝操作,为了补偿因模型剪枝而带来的精度损失,将卷积神经网络与知识迁移技术相结合,提出了在软目标和激活特征图层面的迁移学习方法。这些方法可以有效对卷积神经网络进行模型压缩的同时,又确保模型的准确率。本文工作概述如下:1)提出一种基于软目标知识蒸馏的高光谱遥感图像分类算法,该方法以卷积神经网络的软目标知识迁移理论为基础,在网络结构中引入注意力机制,加强对重要特征的提取之后,并对网络进行模型剪枝,然后利用软目标知识蒸馏技术对模型进行迁移学习,补偿模型剪枝之后分类精度的损失。实验结果表明,提出的方法在三种常用高光谱遥感数据集上均获得较好的实验结果。2)提出了一种基于激活特征图的高光谱遥感图像分类算法,该算法预训练一个具有较深结构的教师网络,利用教师网络的激活特征图指导经过剪枝的学生网络,实现教师网络的知识迁移。实验结果表明,该方法在高光谱遥感数据集上取得良好分类性能外,还可以与上述的软目标知识蒸馏方法联合对学生网络进行训练,会使网络的分类精度进一步提升。