高光谱图像光谱数众多,光谱分辨率高,蕴含丰富的信息,适用于地质勘测等领域。针对高光谱图像分类,研究者们提出了一系列基于深度学习的方法,取得了一定的成果。然而,高光谱图像存在着光谱特征的空间变异性和标签样本缺乏的问题,深层分类网络存在着精度下降现象和庞大的计算问题。因此,如何使用较少的标签样本和计算量以获得较好的分类效果仍是目前高光谱图像分类的主要研究方向之一。本文主要工作如下:（1）针对高光谱图像光谱特征的空间变异性和深层分类网络中的精度下降现象,提出一种基于空间残差块和平行网络的高光谱图像分类网络（SRPNet）。首先,所提出的网络使用空间残差块从高光谱图像丰富的空间上下文信息中提取空间特征。一方面空间特征能够作为光谱特征的辅助信息,帮助处理光谱特征在空间上的变异性。另一方面空间残差块中的跳跃连接有利于梯度的反向传播,能缓解深层网络中的精度下降现象。其次,在网络中设计了平行网络用于提取光谱特征。平行网络中各个平行分支之间参数共享,减少了需要训练的网络参数,进一步减少了对网络训练样本的需求。此外,为获得更丰富的特征,该网络在光谱特征学习部分针对不同层的特征进行了特征融合操作。（2）针对常用高光谱图像分类方法中普遍存在的计算冗余和对边缘像素分类精度低的问题,提出一种基于注意力机制和循环神经网络的高光谱图像分类方法（AMRNet）。为解决计算冗余问题,该网络以原始的高光谱图像作为输入,大大减小了计算的复杂度。所提出的网络主要包括局部特征学习、全局特征学习、局部和全局特征融合以及分类四个部分。首先,局部特征学习使用光谱注意力模块和瓶颈注意力模块对空间信息和光谱信息引入注意力机制,从而有针对性地提取空间和光谱信息,进一步提高网络对边缘像素的分类能力。其次,在所提出的网络中加入了Re Net模块,获得全局的空间信息。最后,对局部特征和全局特征进行了特征融合操作以获得多尺度的融合特征。本文在三个代表性的数据集上进行了实验,相比一些其他的先进方法,所提出的两个算法均可以提高高光谱图像分类的准确度,且对比实验表明所提出的两个模型的适用性更强,验证了所提出算法的有效性。