高光谱图像分类是遥感图像处理中的一个关键问题.其主要任务是通过学习图像中丰富的特征信息对地物进行精细地分类.尽管高光谱图像具有丰富的信息,但其高维性、光谱信息的空间异变性、训练样本有限性以及信息冗余性等问题极大地限制了分类性能.基于上述问题,本文讨论和研究了基于深度残差结构的高光谱图像分类方法,主要包括基于深度混合空洞残差网络的高光谱图像分类方法、基于多尺度学习的高光谱图像分类方法和基于光谱-空间连续关注的特征分组网络的高光谱图像分类方法.具体内容概括如下:1、针对高光谱图像特征信息利用不充分的问题,设计了一种新颖的混合空洞残差网络方法.该方法旨在将网络嵌入到连续提取光谱和空间信息的过程中,通过这种提取特征的手段,不但能够扩大感受野的大小,而且还能解决由空洞卷积所产生的网格效应问题.同时,利用残差网络缓解梯度消失和梯度爆炸的现象.进一步,借助批量归一化和激活函数加快训练速度并且提高模型的训练精度.实验结果表明,所提出的方法具有较好的分类性能.2、针对高光谱图像中带标签的数据是有限的情形,提出了多尺度学习的方法.其关键思想是通过加深网络的宽度提升网络的性能.具体地,通过级联双尺度交叉网络和多尺度特征融合残差网络提取特征,随后将不同尺度下的特征进行相加或点乘的方法融合,以增大网络间的信息流并且增强像素间的对比度,从而有利于特征提取.实验结果表明,所提出的方法可以缓解小样本问题,且对高光谱图像的分类性能有显著地提升.3.针对高光谱图像高维性导致的波段选择和空间标记难的问题,构建了一个光谱-空间连续关注的特征分组网络.首先,利用关注模块对初始高光谱图像进行从光谱到空间的连续关注,进而选出重要的波段并且标记出感兴趣的空间位置.然后,构造特征分组网络将粗提取的特征分成若干组,将每组特征图经过连续的残差网络提取特征,随后将不同组提取的特征进行融合,进而捕获高光谱图像的高层特征信息.实验结果表明,提出的方法能产生较好的分类结果.