高光谱图像分类是遥感图像处理的一个重要分支。高光谱图像是同时包括地物空间信息和光谱信息的具有上百个光谱波段的高维图像数据。高光谱图像在城市规划、水利农业、资源探测、地质灾害检测、军事侦察等领域有着重要的作用。因此,高光谱图像的分类正确与否至关重要。传统的分类方法将高光谱图像当作普通图像处理,其提出的浅层分类模型往往难以提取出图像的本质特征,影响分类精度。深度学习出现以后,由于其具有能够提取输入数据深层次特点,以及非线性映射的能力,已经被广泛应用于图像处理相关领域。然而由于高光谱图像存在的同谱异物以及同物异谱的问题,使得深度学习应用于高光谱图像面临着严重的挑战。本文主要针对高光谱图像中存在的三个问题,即困难样本挖掘问题,有标签样本较少的问题,以及光谱信息和空间信息融合的问题,提出了我们的解决办法,具体研究内容如下:(1)针对高光谱图像中存在的困难样本问题,我们借鉴目标检测中的Focal loss,提高困难样本在网络损失中占的权重,我们在自己设计的3DCNN网络中以及SSRN网络中应用Focal loss,在两个数据集的实验中,Focal loss的引入都带来了分类效果的提升。(2)针对高光谱图像中有标注样本较少的问题,我们设计了一个三维卷积编码-解码结构,该结构从输入的高光谱数据中提取特征,然后从这些特征中恢复与重建图像。该网络能够让无标签样本参与训练,辅助有标签样本的分类,是半监督学习的范畴。另外,为了使得同类样本之间的特征距离尽可能近从而提高分类准确度,我们引入了度量学习中的center loss控制同类样本的特征距离。在两个广泛应用的数据集的实验中,我们的网络取得了最好的分类效果。(3)针对高光谱图像的空谱特征融合问题,我们分析了SSRN网络在空谱特征融合方面的问题,然后提出了一个双支路空谱特征融合分类网络。该网络的两个支路分别提取高光谱图像的空间特征和光谱特征,并且在提取空间特征之后应用了空间注意力机制,在提取光谱特征之后应用了通道注意力机制。这两种机制可以加强提取的特征,使特征更具判别性,从而提高高光谱图像的分类效果。