由于高光谱图像包含丰富的光谱与空间信息,高光谱遥感技术近年来越发受到重视。通过合理利用这些信息可以实现对地物的精准识别、分类,从而进行定量、定性分析。随着深度学习理念的日益完善,基于深度卷积框架的高光谱图像分类的学习算法已经逐渐成为了研究热点。具体来讲,提取出的特征往往决定了分类结果的好坏,通过构建适用于高光谱图像结构特点的深度神经网络,往往可以提取出更加抽象更具有代表性的特征,并通过微调的方式来训练深度神经网络参数使其达到最优,从而可以实现高准确率的分类目标。然而,分类过程中高光谱图像的维度高、数据量大、特征冗余以及谱间相关性等问题一直未能很好解决。本文从数据降维、特征提取、波段选择、分类器优化等方面进行研究,提出了三种简单高效提高高光谱图像分类性能算法。算法1:用局部保留判别式分析对高光谱数据降维,处理后高光谱数据用二维Gabor滤波器进行滤波生成空间隧道信息,用卷积神经网络对高光谱数据进行光谱特征提取,生成光谱隧道信息,融合空间隧道信息与光谱隧道信息,并将其输入到深卷积神经网络。充分利用局部保留判别式分析自身优势加上深卷积神经网络算法高性能计算特点,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。算法2:多尺度卷积可以检测到高光谱图像空间维度和光谱维度上局部区域像元间的细微变化,能适用于类型结构复杂多样的高光谱数据特征提取。三维的神经网络具有捕获局部三维模式的潜力,更适应高光谱图像结构特点,有助于提高分类性能。结合多尺度卷积与三维卷积优点设计的多尺度三维卷积模型沿着光谱波段提取一个由小空间邻域(不是整个图像)的像元组成的三维图像作为输入数据,提取深层次的光谱-空间特征,通过Softmax loss训练深层次分类器,预测每个像元标签类别。提出了一种多尺度三维卷积神经网络的高光谱图像分类算法,有利于解决高光谱图像分类精度不高,相似光谱信息易混淆等难题。算法3:采用多指标融合降维同时利用高光谱图像丰富的光谱信息和空间信息,减少特征信息的丢失。结合多尺度动态卷积对高光谱图像空间维度和光谱维度上局部区域像元间的细微变化异常敏感,能适用于类型复杂多样的高光谱数据特征提取。最后,采用多标签融合条件构建最优波段选择组合并充分利用多尺度动态卷积神经网络提取高纬度深度特征,实验结果表明提出的算法能同时提取高光谱图像中深层次光谱-空间特征。同时利用高光谱图像中深层次光谱-空间信息,提高高光谱图像分类精度,提出了一种多指标融合降维结合卷积神经网络的高光谱图像分类算法,通过大量实验数据表明提出算法的分类性能优于其他算法。