高光谱图像一般由数百个高分辨率波段组成,与多光谱图像相比具备更丰富的信息内容和更强大的特征表达能力,这使得对高光谱图像进行地物分类处理时可以得到更精确的结果。近年来,深度学习作为一种新兴的计算方法已经被应用于各个领域,在高光谱图像分类方面也取得了很好的效果。本论文主要在使用深度卷积神经网络对高光谱图像进行分类的基础上,运用知识蒸馏的思想,以一个具有很少的参数量的网络取得令人满意的精度。通常深度神经网络在取得较高的准确率的同时,往往需要较大的网络规格。但是在实际应用中,由于各种条件的限制并不允许过大的网络规模。然而如果直接采用精简的小型网络,由于标签包含的信息过于单一和网络表达能力的限制,难以得到很好的分类效果。所以,我们采用知识蒸馏的基本思想,利用规模较大的网络产生具有一定信息的预测概率,将其作为训练标签去指导另一个规模较小的网络,使得小网络一样可以取得很好的效果。因为直接使用知识蒸馏的方法取得的效果并不理想,所以本文通过不同的方式来对大网络的知识进行学习。我们使用了大量的虚拟样本来传递大网络的知识,并针对虚拟样本产生的方式或数量的不同对实际效果的影响进行一定的探究,为本文所提出方法的实际应用提供指导。另外,传统的深度神经网络往往需要大量的训练样本和漫长的训练过程。而高光谱图像的样本量往往是有限的,针对这种情况,本文对深度随机森林模型在高光谱图像分类上的应用进行了研究,提出了两种基于深度随机森林的模型并将其运用到高光谱图像分类中去。一种是采用层与层之间密集连接的方式,另一种是多特征融合的方式。这两种方法都融入了空间信息,目的是提高高光谱图像分类的精度。相比于传统的神经网络模型,深度树模型在训练时间上也有着很明显的优势,可以缩短高光谱图像分类的训练过程。本文在常用的高光谱公开数据集上进行了实验,实验结果充分证明了这两种方法在高光谱图像分类中的有效性。