高光谱遥感图像蕴含着丰富的地物信息,对于高光谱遥感数据的解译和分类方法一直是研究者的研究重点所在。本文针对高光谱遥感图像的高维度、训练数据不足的特点研究了基于卷积神经网络和马尔科夫随机场的高光谱遥感图像分类方法。研究了基于空-谱特征融合的改进型卷积神经网络高光谱遥感图像分类方法。将传统卷积神经网络结构做重新设计,使用与光谱波段同维的卷积核结构对训练数据做光谱空间特征融合提取,在全连接层间加入Dropout控制向量,与ReLU函数搭配使用,设计一种具有深度空谱特征提取能力和强泛化能力的卷积神经网络模型SSCF-CNN。在国际通用遥感实验数据集上与其他方法做实验对比,结果表明SSCF-CNN具有较好的准确性,能够对不同数据集完成精度较高的分类。针对分类结果中的“椒盐”现象,将SSCF-CNN与马尔科夫随机场结合,设计了基于卷积神经网络和马尔科夫随机场的高光谱遥感图像分类算法。算法基于SSCF-CNN对高光谱遥感图像的分类结果构建标记场,搭建SSCF-CNN-MRF分类优化框架,完成对SSCF-CNN分类结果的优化。针对分类结果中不同区域交界的“各向同性”问题,设计了基于集成学习Bagging思想的空-谱随机特征和多轮投票的集成学习高光谱遥感图像分类算法。算法对训练样本做放大重组,构建多个训练子集并随机分配给基分类器,最后将各分类结果与前述分类结果做多轮投票融合,提高分类精度的同时解决区域边缘优化问题。