本研究探讨深度卷积神经网络在机载高光谱数据分类的应用,以期提高亚热带地区森林树种的分类精度。以广西南宁高峰林场为试验区,采用中国林业科学研究院LiCHy系统获取的航空高光谱数据,以三维卷积层为基础,提出一种高效的卷积神经网络(Convolutional Neural Networks,CNN)结构。本文采用的CNN模型旨在以端到端的方式处理高光谱图像分析问题,能够将原始数据作为输入,不需要进行降维或特征筛选,省去了传统分类方法在不同程度上人工筛选特征的工作;网络中3D卷积层可以同时提取光谱特征和空间特征,学习特征立方体的空间和光谱维度中的局部信号变化,利用重要的识别特征进行分类,以提高对高光谱影像的判别能力。针对机载高光谱数据维度高,训练样本相对较少的问题,对模型进行了优化,避免过拟合问题。对比传统的特征筛选与面向对象分割结合的方法,本文提出的CNN结构森林树种的总体分类精度达到98.38%,Kappa系数0.98,与随机森林(RF)特征选择结合支持向量机(SVM)分类相比,总体精度提高8.82%,Kappa系数提高0.11;小样本训练的情况下(减少75%训练样本),总体精度仍可以达到95.89%,Kappa系数0.94。研究结果表明三维卷积神经网络在处理机载高光谱影像特征提取与分类问题中能够充分利用影像中丰富的信息,实现高精度的区分亚热带森林树种;合理的网络结构以及训练策略(加入Dropout层),能够极大提高网络的训练速度,并在小样本训练时仍然能够得到很好的结果,可以实现高效,准确的森林树种分类。