遥感技术是上世纪60年代时兴起的一种对地面场景进行探测和解译的综合技术。高光谱遥感图像的出现,有力推进了遥感相关研究。高光谱遥感图像不仅能够表征地物的结构、形状、位置关系等空间特征,而且包含表征物体特有物理材质的光谱信息。这样“图谱合一”的突出优势,使得高光谱遥感图像在地质勘测、农业监测、城市规划等领域起着重要作用。而高光谱遥感图像分类作为解决以上问题的关键技术,一直以来都是备受人们关注且应用前景广泛的课题。卷积神经网络凭借其隐式学习以及深度特征提取等特性,已经在高光谱遥感图像分类领域大放异彩。然而,卷积神经网络在训练过程中需要输入大量的标记样本,高光谱遥感图像的小样本问题极大地限制了信息解译的准确性。针对以上问题,本文在目前已经存在的处理技术的基础上,以实现高光谱遥感图像全面数据增强为出发点,分别在数据数量层面以及数据质量层面展开数据增强工作,主要研究内容如下:(1)针对高光谱遥感图像标记样本数量较少,人工标记成本高等问题,采用像素块配对的方式同时增加样本数量以及样本多样性。该方法以训练像素点为中心构建像素块,然后将同类的像素块以及不同类的像素块分别两两配对,最终将配对后的结果输入到卷积神经网络中进行特征提取和分类模型构建。实验依托多个公开的高光谱遥感图像数据集开展,详实的实验结果有力的证实了所提出方法的优越性,也充分显示了配对方法在数据数量增强领域中的巨大潜力。(2)针对高光谱遥感图像标记样本质量不优,谱间分辨率高但空间分辨率低,且数据在采集过程中极容易受到云雾等复杂天候的干扰等问题,本文摒弃了单一利用高光谱数据进行探测分析的方式,将高光谱遥感图像和激光雷达图像利用主成分分析方法(Principal Component Analysis,PCA)进行数据融合,以实现多源信息的数据合作和数据互补。另外,采用双支路卷积神经网络模型深度提取融合后图像的空间特征和谱间特征,进而完成分类任务。实验选用MUUFL Gulfport公开数据集为标准数据集,与多种国内外优秀的研究方法进行多角度对比,实验结果显示了数据质量增强的必要性以及所提出方法的优越性。