高光谱遥感技术是通过数百个连续的窄波段对地物进行持续遥感成像的技术,所获得的高光谱图像同时包含目标区域的空间信息和光谱信息,在地物识别与分类领域有着独特优势,在对地观测领域中发挥出愈来愈大的作用,成为近年来遥感领域中发展最为迅猛的方向之一,被广泛应用于地质勘探、矿物识别、精准农业、环境监测等领域。高光谱图像分类一直是高光谱处理技术的研究热点,其目的是从高光谱数据所含有的大量信息中提取有效分类特征,并构建分类器对图像中每一个像元给出确定的地物类别标签。为了实现高光谱数据的高精度分类,目前的高光谱图像分类方法在如何挖掘高光谱图像深层特征、如何处理复杂背景信息等方面仍然存在一定问题。本论文在总结高光谱图像分类研究现状的基础上,针对高光谱图像的自身特性,提出了两种面向光谱特征和空间特征联合的高光谱图像分类方法,研究工作主要包括以下两个方面:(1)针对高光谱图像背景像元复杂,无法参与训练学习的问题,本文将目标检测方法引入到地物分类中,提出了一种基于目标约束和谱空特征迭代的高光谱图像分类方法,该方法基于检测原理提取多类目标地物,构造约束条件对背景信息进行抑制;同时为了解决光谱特征带来的过分类问题,方法中利用反馈式谱空融合的方式强化空间信息在分类中的作用,逐步提高分类精度。实验结果表明,该方法可以有效降低背景信息对分类的影响,具有较好的泛化能力和实用性。(2)图像的语义特征能表达图像本身的意义,并且不丢失图像的本质特征,但是目前使用的语义特征提取方法大多是使用的底层信息(颜色、纹理等)来提取图像的语义特征,缺少对高光谱图像自身特性的应用,针对此问题,本文提出一种基于哈希语义嵌入的卷积神经网络模型。一方面,通过类间约束与类内约束的哈希映射提取语义特征,强化地物分类特征;另一方面,构建深度卷积网络提取深度分类特征,通过反卷积层的设计进一步优化谱空分类特征。实验结果表明,基于哈希语义嵌入的卷积神经网络模型有效提高了地物分类精度并具有较高的稳定性。