高光谱图像的分类是高光谱遥感技术的一项重要内容,在军事和民用等领域都有着重要的应用。然而,由于高光谱图像的高维特征,波段间高度相关性等特点,使分类任务面临巨大的挑战。如何降低高光谱维度,提取有效特征是分类模型特别需要考虑的问题。本文基于自编码模型对高光谱分类问题进行研究。传统的深度自编码模型在用于高光谱图像分类时,存在因为全连接导致的参数量过大,逐层训练的过程繁琐等问题。本文提出了一种基于卷积运算的自编码模型,用于提取图像的光谱-空间联合特征。模型通过卷积运算对图像中复杂的空间结构特征进行建模,由于卷积运算具有的局部连通性和参数共享的特点,减少了模型中无效的连接,使得模型的复杂度得到控制。为了更好地利用高光谱图像数据提供的信息,本文提出了一种基于自编码模型的半监督分类模型,模型结合非监督学习与监督学习,充分利用了未标记数据中包含的信息。模型的训练分为两个阶段,在非监督学习阶段,使用整个数据集对模型进行训练;在监督学习阶段,用标签数据对模型作进一步的训练。本文分别对两个高光谱图像进行分类,通过对实验结果的分析,验证了模型的有效性。