高光谱图像包含了丰富的光谱信息,在遥感对地观测系统中具有重要的地位,并越来越广泛的应用于地物勘探、农业遥感、海洋遥感、环境监测等领域。在高光谱图像分类的研究中,已经提出许多空谱特征相结合的分类方法,而最近几年深度学习成为了图像处理领域的一个研究热点,对比于之前的特征提取方法,多层深度学习网络通过组合低层特征,形成更加抽象的高层特征表达,能够发现数据的非线性特征表示,在图像处理中具有更加优越的判别能力和鲁棒性。本文主要研究了提取高光谱有效的空间结构信息,并利用深度网络从空谱联合特征中进一步提取高光谱图像的深度特征,用以分类。提出了基于Gabor滤波深度网络的高光谱图像分类方法,对三种常用的实际高光谱数据集的实验表明,本文提出的方法在分类精度上优于几种常用的分类方法。本文的内容简要概括如下:1.基于Gabor滤波稀疏自编码深度网络的高光谱图像分类算法。该方法通过Gabor滤波器提取高光谱图像的空间结构信息,此特征能够有效的表示图像的纹理和局部方向信息。然后采用稀疏自编码网络从组合的光谱特征和Gabor空间特征中提取高光谱图像的深度特征。训练深度网络需要大量的训练样本,而高光谱图像只有有限的标记样本,所以提出一种有效的虚拟样本构造方法,增加了训练样本数量,使深度网络能够更好的学习和训练,从而更有利用高光谱图像分类。2.基于Gabor滤波深度置信网络的高光谱图像分类算法。该方法通过组合的Gabor特征和光谱特征对深度置信网络进行训练,获取深度置信网络参数,并将其作为BP(Back Propagation,BP)神经网络的初始化参数。这种方式不仅让组合的特征充分利用了高光谱图像的空间结构信息,从而更有助于深度网络的训练和学习,而且采用深度置信网络参数初始化BP神经网络的方法,给BP神经网络在训练过程中提供了一种先验知识,进一步增加了网络的判别能力。3.针对以上两种高光谱图像分类方法设计了一个软件系统。本文在MATLAB 2014a编译环境中,利用GUI软件开发工具,实现了基于Gabor滤波稀疏自编码深度网络的高光谱图像分类方法和基于Gabor滤波深度置信网络的高光谱图像分类方法的软件开发。