高光谱图像中提供了丰富的光谱信息,可以识别更多在其他遥感图像中难以识别的目标物体.因此高光谱成像的应用越来越广泛,在农业、地质学、海洋学、环境学、军事和灾难防控等领域都是重要的监测方法.对高光谱图像分类方法的研究也日益增多.高光谱图像的高维性提供了充足的信息的同时,也增加了分类的难度、加重了计算负担,开发有效且鲁棒的高光谱图像分类方法至关重要.目前深度学习的方法被用到很多领域,尤其是卷积神经网络很适合用在图像分类任务上.本文针对高光谱图像分类问题,结合卷积神经网络提出了一个新的高光谱图像分类模型——双级卷积神经网络.从宽度与深度两个方向实现了对网络的扩展.双级卷积神经网络采用并行多分支结构和串行结构来提取不同尺度和不同层次的特征.首先,网络利用了Inception模块,通过Inception模块的并行多分支结构提取不同尺度的特征,同时在Inception模块之间加入了残差连接,减少了梯度消失问题出现的可能,保证了网络的表达能力.第二,本文采用双级串连的方式构建网络,使网络具有一个低级特征提取层和一个高级特征提取层,充分利用两个层次提取出的强互补且相关的信息,之后采用融合策略将两个层次提取到的特征进行融合,使得最后的全连接层能获取到更加全面的图像信息.最后,将待分类像元及其邻域像元一同作为卷积神经网络的输入,联合利用空间特征与光谱特征,实现高光谱图像空谱联合分类,以获得更好的分类效果.通过在三个真实高光谱数据集上的实验,显示出无论是在视觉效果上还是比较评价指标,本文提出的双级卷积神经网络比其他对比方法表现得更好.实验结果还表明该网络的架构具有通用性且泛化性能很好,不容易发生过拟合.