随着传感器技术的不断发展,海量的多平台与多模态数据得以被获取。其中,以高光谱图像为代表的高体量数据能够对观测对象实现空间、光谱、辐射等多方面信息的同步获取,促使客观世界的描述呈现出多尺度、多角度、多维度的新特性。目前,利用高光谱数据进行物质分类及目标检测的相关研究虽然已成功运用于农业监测、灾害预警以及医学检测等领域,如何抽取高价值数据特性,提高高光谱观测区的信息解译及分类准确性,仍旧是一项充满挑战性的课题。此外,高光谱数据呈现出强谱间弱空间的分辨率特性,利用单源高光谱数据信息,限制了大量面向空间分辨率以及辐射信息呈现敏感特性的应用。围绕高光谱数据,协同更多信息源并综合利用各类数据之间的合作性及互补性,在信息智能融合基础之上完成观测目标的精准解译及精确分类,是具有重要研究意义和广泛应用前景的课题。本文以高光谱图像为核心,围绕高光谱图像空谱特征融合分类、高光谱图像与高分辨率可见光图像融合分类、以及高光谱图像与激光雷达图像融合分类展开研究。针对高光谱分类以及围绕高光谱为核心的多源遥感融合分类当前面临的问题,深度剖析不同融合分类技术的可行性,以AVIRIS、ROSIS、以及AISA Eagle等传感器采集的遥感影像为主要实验数据源,依照数据预处理、典型特征提取、以及分类器设计的总体路线实现多层次地融合分类框架构建。本文主要研究内容如下所示:1、针对现有高光谱图像分类方法中的空谱特征提取方式存在空间感知力有限以及边缘像素刻画偏差等问题,基于卷积神经网络设计了具有多形变体输入的DR-CNN分类方法。该方法包含四个多向空间输入块,一个局部空间块,一个全局空间块。多向空间块网络分支充分学习样本方位特性,有助于保证边缘像素精细分类的可靠性;局部空间块网络分支保留并深化高光谱数据谱间特性;全局空间块网络分支挖掘输入样本空间纹理及上下文交互特征。以AVIRIS及ROSIS传感器在不同区域采集的高光谱图像数据集进行实验,相关结果有力地证实了本文提出的方法在高光谱图像分类任务上的优越性,也充分论证了多形变体输入在空间谱间信息提取方面的可行性及巨大潜力。2、传统机器学习方法处理多源数据分类时存在信息综合利用不充分,特征提取方式多元性、灵活性不足,且易陷入维数灾难等问题。针对这些问题,本文以基于高光谱的多源遥感协同分类为研究目标,面向高光谱图像与高空间分辨率可见光图像协同分类、高光谱图像与激光雷达数据协同分类等两类协同任务,提出了两种多源特征提取及协同分类方法。第一种方法为基于SLIC超像素分割的高光谱与可见光数据协同分类方法。该分类方法以可见光数据的超像素分割结果为空间约束单位,进行高光谱分类结果及高空间分辨率可见光初分类结果的决策整合,获取多源数据协同分类结果。第二种分类方法为基于多源特征融合的高光谱与激光雷达数据协同分类方法。该方法基于复合核函数支持向量机对高光谱与激光雷达数据中提取的多源特征实施归并与分类。详实的实验评估结果显示,本文提出的两种方法在现有高光谱与多源遥感协同分类任务上具备优越性,有效利用多源遥感内含的多类型信息可以显著增加分类精度。该方法除具备效果优势外,对推动多源遥感及多源特征融合算法研究具有指导意义。3、针对如何在小样本情况下有效关联多传感器数据并构建基于多源数据的深度协同框架,本文提出一种Patch-to-Patch(PToP)跨域学习模型,旨在建立不同源域数据间的信息映射,通过跨数据源重构过程提取不同源数据的深度联合特征,解决了受小样本制约的多目标域数据关联特征提取及深度协同分类的难题。以高光谱及激光雷达数据联合特征提取及协同分类为研究中心,本文首先构建三通道PToP跨数据源映射网络,实现两源数据无缝集成;其次,构建层级融合模块,针对多通道、多源域、多隐层特征间合作性实施联合特征协同表达;最后通过三层全连接网络完成分类。该方法旨在利用多源数据的多信息完整性及可靠性,提升地物分类的准确性,从而实现对地物场景的综合、完整描述。为评估该方法有效性及可靠性,以休斯顿(Houston)数据及特伦托(Trento)数据为标准数据集进行实验,与国内外多种研究方案进行了综合对比。实验结果表明,本文提出的框架包含了可靠且无监督的多源特征提取方案,因而具备极强小样本鲁棒性,所提取的特征更易于进行后续分类判读任务。可视化实验结果则进一步证明了本文提出的方法在以高光谱及激光雷达为代表的多源遥感分类任务中的优越性。