高光谱遥感作为一项前沿的遥感技术,通过结合成像技术和光谱技术,能够提供包含丰富光谱信息的多波段遥感图像,在地物类型的准确识别与分类方面具有广泛的应用。本文针对高光谱影像中数据维度较高、地物类型复杂和标注样本有限等问题,对高光谱影像中的降维和分类问题进行了分析和研究,具体的研究内容和工作成果如下:（1）基于分组主成分分析的高光谱遥感影像降维及地物分类研究。本研究采用GF-5高光谱遥感影像作为数据源,首先利用波段之间的相关性对原始高光谱影像进行分组,再分别对每组波段数据应用主成分分析（PCA）,并提取出最重要的主成分波段作为降维结果,最后使用卷积神经网络（CNN）融合支持向量机（SVM）的分类器实现地物类型的准确分类。本文提出的降维方法在改善分类精度的同时大幅缩短了网络训练时间,与传统的PCA降维方法相比,分类精度提升约6%。（2）基于相似性分组的全自动高光谱最优波段选择方法研究。本研究针对高光谱影像波段间存在的冗余和噪声现象,首先对原始高光谱影像进行初始分组,再利用波段间的结构相似性（SSIM）来更新分组情况和各个分组的聚类中心,最后筛选出每组中的最优波段作为波段选择结果。本文在WHU-Hi高光谱数据集上进行实验,采用了三维卷积网络（3D-CNN）和SVM作为分类器,对比了不同的波段选择数目对分类精度的影响,并给出了最优的波段选择数目。实验表明本文提出的算法可以自动给出最优的波段选择结果,相比基于分组PCA的降维方法分类精度有2%左右的提升。（3）基于卷积注意力机制和三维残差网络的高光谱地物分类研究。本研究在基于最优波段选择的降维基础上,针对高光谱数据的特点,构建了基于卷积注意力机制（CBAM）的三维残差网络（3D-Res Net）,并比较了不同影像块尺寸大小和网络深度对分类精度的影响。在WHU-Hi数据集上进行实验,基于CBAM的3D-Res Net在原始高光谱影像和降维后的影像上所得到的分类结果均优于传统的SVM分类器、基于影像块分类的3D-CNN和基于残差网络构建的TSRN模型。其中在基于最优波段选择的降维数据上,网络的分类精度有2%左右的提升,且训练速度有明显的改善。本文采用高光谱遥感影像作为数据源,提出了基于相似性分组的全自动高光谱最优波段选择方法,实现了对高光谱数据的降维处理,在此基础上,针对高光谱数据的特性设计了基于卷积注意力机制的三维残差网络,实现了对高光谱影像中地物的准确识别与分类,并极大地缩短了训练时间,为高光谱遥感影像的分类研究提供了参考。