近些年来,遥感传感器的种类逐渐丰富,这使得从不同的传感器中获取到多种多样的数据成为了可能,如高光谱图像(Hyperspectral Image,HSI),激光雷达数据(Light Detection And Ranging,Li DAR),不同类型传感器得到的数据的优点和缺点各不相同,高光谱数据由同一场景的多个光谱通道组成,波段已经可以达到几十或者上百个,含有场景丰富的光谱信息和空间信息,而激光雷达数据则可以很好的表征场景的高程信息。在高光谱数据的应用中,场景的地物分类占据了十分关键的地位,而激光雷达数据的高程信息能够在一定程度上对高光谱数据地物分类的能力做出补充,因此,将高光谱数据与激光雷达数据以合理的方式进行整合,集成他们的优点,为进一步提高地物分类的结果提供了可能。本文以提高地物分类的精度为出发点,从特征级和决策级两个方面入手,主要研究了基于深度神经网络和强化学习的高光谱与激光雷达融合分类方法,旨在研究如何充分挖掘两种数据所含的多种信息、以及整合这些信息的合理方式。本文的主要工作包含以下几点:1.提出了一种基于双分支注意力神经网络的高光谱与激光雷达融合分类方法。首先,该网络包含两个卷积分支,能够分别充分提取高光谱与激光雷达数据各自的特征,并且设计交互连接层促使两个分支网络之间的信息流通,以此来改善激光雷达数据信息不足的问题。其次,在分支后设计注意力融合层,借鉴注意力机制的思想,在层内完成两种数据特征的自适应筛选和学习过程,得到融合特征并最终用于分类,避免了特征冗余的情况。实验结果表明,该方法能够实现两种数据的有效融合,提升分类精度。2.提出了一种基于多分支信息联合网络的高光谱与激光雷达融合分类方法。该方法在第三章的基础上,针对高光谱光谱信息损失过多、特征融合过程不够精确的问题作出了改善。首先,通过高光谱一维光谱分支、高光谱二维空间分支、激光雷达分支这三个结构不同的分支网络完成两种数据更加充分的特征提取,接着设计多信息融合层,以更加精确的方式对这三种信息进行融合,保留高光谱数据极具价值的光谱信息,得到集成特征用于融合分类。实验结果表明,该方法能够有效保持两种数据的多种有价值信息,并以更加合理精确的方式进行融合分类。3.提出了一种基于深度强化学习决策融合技术的高光谱与激光雷达融合分类方法。该方法致力于决策级的融合分类。首先,得到针对两种数据的几种不同神经网络的分类结果,接着在这些已有结果的基础上,利用提出的基于深度强化学习的决策融合技术对这些结果进行进一步的融合,该技术能够以提升分类精度为指导,自动的学习和优化适合各个结果的融合权重,并以此权重对已有的结果进行融合。实验结果表明,该方法能够对已有分类结果的优点进行整合,进一步提升分类精度,并且避免了人工设置权重的过程。