高光谱图像是同时包括地物光谱信息和空间信息的具有上百个光谱波段的高维遥感数据,在植被检测、海洋监测、城市遥感、医学研究等方面发挥着重要的作用。高光谱图像分类是对地物进行辨识的过程,为遥感研究人员的后续研究提供了获取信息的前提。因此,分类的准确性影响着后续研究中高光谱图像的其他处理阶段。为了提升高光谱图像分类的准确性,学习高光谱图像的本质特征是重点和难点。传统的分类方法将高光谱图像当作普通的图像进行处理,其使用的浅层分类模型往往难以提取出图像的本质特征,影响分类的精度。然而,深度学习拥有学习输入数据深层次特征的优点,已经广泛地应用到图像的相关领域。本文以两种不同的方式联合高光谱图像的光谱信息和空间信息,并利用两种不同的深度神经网络学习其本质特征,实现高光谱图像分类。取得的研究成果如下:(1)从利用光谱信息的角度出发,本文设计了一种光谱反射率曲线矩阵,达到反映光谱反射率曲线形状差异的目的。在此基础上,将像素点及其邻域空间内所有像素点的光谱反射率曲线矩阵进行累加,形成联合光谱信息和空间信息的堆叠空间光谱反射率曲线矩阵。并通过可视化说明该矩阵能够降低“同物异谱”的负面影响,提升不同地物的区分度。(2)针对堆叠空间光谱反射率曲线矩阵,本文构建了能够融合浅层特征和深层特征的特征融合卷积神经网络,对其本质特征进行学习和分类。该卷积神经网络通过1×1卷积减少训练参数,并基于多个全连接层的级联实现特征融合。实验证明以堆叠空间光谱反射率曲线矩阵为输入的特征融合卷积神经网络能有效提高分类效果。(3)从利用空间信息的角度出发,本文提出了一种波段空间特征提取方法,实现了光谱信息和空间信息的高效综合利用。该方法对每个邻域像素块的每个光谱波段使用多个不同的卷积核进行卷积,提取出每个波段的多个空间特征图;在此基础上,采用3D平均池化将每个光谱波段的多个空间特征图融合为一张空间融合特征图。各个邻域块的所有波段的空间融合特征图都形成了一个按光谱顺序排列的融合光谱空间特征图序列。(4)针对融合光谱空间特征图序列,本文首先基于近邻波段分块策略将其转换成空间光谱序列,然后将空间光谱序列输入到长短时记忆网络中进行学习和分类。实验证明对该特征图序列进行近邻波段分块后,再采用长短时记忆网络分类可以有效提高分类效果。