高光谱图像（Hyperspectral image,HSI）因同时包含光谱信息和空间信息,在环境监测、资源普查等多个领域发挥着重要作用。高光谱图像分类是高光谱数据分析的基础,分类的准确度决定后续研究准确与否。由于HSI成像机理复杂,存在同物异谱和同谱异物现象;自身光谱的高分辨率,加重了参数训练的负担;光谱波段间的强相关性使得数据存在大量冗余,导致高光谱图像分类仍是复杂和非线性的。针对上述问题,本文提出两种HSI分类算法,在此基础上解决实际茶叶品种和等级分类问题。主要研究内容如下:（1）基于光谱-空间注意力双边网络的高光谱图像分类高光谱图像的高维性和卷积神经网络对所有波段的平等处理,限制了卷积神经网络性能。因此,提出一种光谱空间注意力双边网络（Spectral-Spatial Attention Bilateral Network,SSABN）,省去繁琐的预处理过程。首先,通过光谱空间注意力模块从原始数据中增强有用波段,抑制无效波段。然后设计双边网络两条路径,分别用于提取空间信息和更大的感受野,并通过特征融合将有效的特征结合精炼。本文在三个公开数据集上进行分类对比实验,实验结果表明,SSABN不仅取得了更高的分类精度,同时有效的减少训练时间。（2）基于改进UNet的高光谱图像分类由于HSI数据的高维性和高度冗余,往往影响卷积神经网络分类精度。此外,许多CNN分类模型只考虑空间维度的特征提取,忽略了光谱信息对分类性能的作用。结合局部空间信息和光谱信息,本文以UNet为基础,提出一种残差光谱空间注意UNet（Residual Spectral–Spatial Attention UNet,RSSAUNet）。基本思路是由编码器/解码器结构提取不同尺度空间特征,同时由残差光谱注意力模块作为跳跃连接。残差光谱空间注意力模块不仅能提取更重要的光谱信息,同时最大程度保留原始信息中重要部分。最终通过全连接层输出类别。为验证RSSAUNet的有效性,本文选取三个HSI数据集进行分类对比实验,与其他现有算法分类结果对比。结果表明RSSAUNet相比其他算法有更高的分类精度,且分类边界更平滑。（3）基于改进UNet的茶叶品种和等级分类高光谱遥感技术可以快速无损的检测物体,因此广泛应用于食品检测。在我国有着深远的茶文化,因此将深度学习和高光谱遥感技术结合,研究茶叶品种和等级分类。采用实验室拍摄的茶叶HSI数据,以机器学习和深度学习为分类工具。通过实际茶叶等级分类、茶叶品种分类和茶叶品种和等级分类三个分类实验,对比不同算法的分类结果,研究光谱信息和空间信息对茶叶品种、等级分类的作用。在不同品种、等级茶叶数据上进行分类实验,结果表明,RSSAUNet算法能有效的提取HSI空谱特征,提高分类准确度。