高光谱图像分类是遥感图像解译的热门研究课题之一,在众多军事和民用领域发挥着重要作用。高光谱图像的高维性、光谱变异性以及缺乏标签样本等特点,为其分类任务带来了极大挑战。本文基于大量参考文献,对高光谱图像的数据特性进行分析,总结了高光谱图像主流分类方法的研究思路;关注于深度网络的特征表示能力和过拟合问题,提出了两种基于混合卷积神经网络的高光谱图像分类方法。主要研究内容和创新如下:考虑到高光谱图像判别性特征提取难度高的问题,本文提出了一种混合多种维度卷积的神经网络分类模型（HCNet）。首先采用1×1卷积整合图像光谱信息;然后通过双分支结构提取不同维度的特征,其中一条支路用不同大小的二维卷积提取多尺度的空间特征,另一条支路用三维跨步卷积学习联合空谱特征;最后采用串联方式融合不同深度、不同维度的判别性特征,增强特征表示和利用率,从而提升分类精度。考虑到深度网络的过拟合问题,本文还提出了一种混合Gabor卷积与标准卷积的神经网络分类模型（GCANet）。标准卷积核具有抽象特征提取能力,在深层模型中能够学习到更具区分性的语义特征。与标准卷积相比,根据传统Gabor滤波设计的卷积核拥有更少的可训练参数。此外,Gabor卷积通过引入先验知识约束解空间,能够有效加速模型收敛并缓解模型对大量标签样本的依赖。GCANet用两条支路分别提取Gabor卷积特征和标准卷积特征,通过通道选择注意力机制学习两路特征的重要程度。该方法能够根据输入数据特性自适应调整各层特征表示,获得更好的分类效果。实验部分在六个公开的高光谱数据集上对多种分类模型进行对比,实验结果表明,在训练样本有限的情况下,本文提出的方法具有较好的分类性能。