高光谱遥感图像分类是高光谱遥感领域的关键技术之一,它对城市的规划与管理、土地利用等方面具有十分重要的意义。本文主要研究了基于深度信念网络的高光谱遥感图像分类方法,并对高光谱遥感图像的降维方法及深度信念网络的训练方法进行了改进与创新。本文选用Salinas和PaviaU两个高光谱遥感图像数据集作为本文的实验数据集。首先本文研究了主成分分析法与核主成分分析法两种数据降维的方法,并结合主成分分析降维方法维度低和核主成分分析降维方法能较好地处理非线性关系的优点,本文提出了一种主成分分析与核主成分分析融合的高光谱遥感图像降维方法,通过实验证明了该降维方法具有更好的降维效果。接下来深入研究了深度信念网络方法(DBN),包括受限玻尔兹曼机的基本原理及DBN的网络结构与训练方法。并针对DBN方法在预训练阶段存在梯度消失导致识别精度降低的问题,本文提出了一种改进的DBN训练方法。该方法把原来预训练阶段单纯的无监督学习过程改为先进行无监督学习再进行监督学习来逐层训练整个网络。实验结果证明了本文改进的DBN方法能有效解决预训练过程中梯度消失的问题,使得识别精度随着网络隐藏层数量的增加而提高。最后本文对改进的DBN网络进行设计,并运用本文设计的DBN网络对Salinas和PaviaU两个高光谱遥感图像数据集进行分类测试,得到高光谱遥感图像分类的结果。并将该分类结果与BP神经网络方法、支持向量机方法及经典DBN方法得到的分类结果进行对比,结果显示本文提出的方法具有最高的分类精度。