高光谱分辨率遥感不仅记录地物目标的空间信息,也采集高维度光谱反射信息,是遥感领域研究方向之一,广泛应用于民用、军事、农业等领域。高光谱影像分类是高光谱影像处理中的基础研究方向之一,利用机器学习相关算法进行有效特征提取与分类是该领域内的主流趋势,但受其无法有效结合空谱特征信息、影像数据冗余、标签数据少等难点问题的影响,精准的高光谱影像地物目标分类仍具一定的挑战性。本文结合高光谱影像实际特性,研究改进相关深度学习算法,针对高光谱影像分类中存在的上述问题进行研究,设计混合神经网络。本文主要工作如下:首先,针对卷积神经网络无法适用于高光谱影像中高维数据的问题,提出了三维卷积混合神经网络模型。三维卷积混合神经网络对各维光谱通道特征进行加权卷积进而获取空谱特征信息,通过前馈运算迭代优化网络参数,并采用较小卷积核避免过拟合现象,加快网络训练速度,增强网络空间特征提取能力。为了有效获取光谱特征信息,该网络结合层叠自动编码器并对其进行相应改进,引用空间上下文特征提取网络实现空谱信息融合提取,从而进一步提高该网络的特征提取与分类性能。其次,上述方法在下采样过程中造成特征信息丢失,且无法有效利用浅层特征信息,针对此问题,提出了基于跳跃结构的深度反卷积混合神经网络分类方法,设计端到端网络进行地物目标分类。为了更好地克服高光谱高维数据带来的过拟合问题,该网络引入波段选择层去除冗余数据信息。深度反卷积网络利用反卷积图层恢复池化过程中丢失的特征信息,并采用跳跃架构克服少量训练样本导致的梯度消失与特征提取不足的问题,并提取更具表达性的特征信息,实现深层语义信息与浅层表征信息的结合,实现多层次特征融合分类。以上设计结合层叠自动编码器构建端到端空谱特征分类网络,实现更为精准的高光谱影像地物目标分类,实验结果表明在无论训练样本是否充足的条件下,相比于其他深度学习算法,该方法在高光谱影像分类上具有更加优异的分类性能。综上所述,本文通过结合高光谱影像实际特性,并针对当前存在的主流问题进行深入分析,结合相关深度学习算法,为提取丰富且具代表性的空谱特征信息,设计混合神经网络算法,实现更为精准的高光谱影像地物目标分类,为高光谱影像智能翻译与实际应用提供有效参考意见与方法。