计算机视觉中一个极其重要的研究领域是图像分类,它是人脸识别、图像检索等其他高级视觉任务的基础。近年来图像分类中一个比较火热的主题是高光谱图像分类。由于高光谱图像含有高的光谱分辨率,使得地物分辨识别能力被极大提高,因此它对农业、海洋、交通等多个方面起着重要的作用。传统机器学习方法在分类时依赖于人工设计的浅层特征,它们需要花费巨大的人力与时间,并且这些方法在面对高维数据时的表现不尽人意。而深度学习以其能自主学习抽象特征的表示极大地改善了传统分类方法的表现。而在此基础上的深度度量学习则为数据提供了一种相似性度量,使得生成的特征更具判别力,从而更有利于提升分类精度。另外,概率图模型的条件随机场在分类中也取得了不错的成绩,凭借着对上下文信息的充分利用,它取得了比一般只基于像素特征的分类方法更好的结果。为此本文主要研究了基于深度度量学习和条件随机场结合的分类算法,并研究了其在高光图像上的分类表现,具体内容为:1.给出一种深度度量学习模型用于特征提取。深度度量学习模型以神经网络为框架,在原有Softmax Loss的基础上通过再引入Center Loss,来联合监督训练网络。经训练后的网络就可从输入数据中提取到类内紧凑,类间分离的特征。结果表明该方法提取到的特征更具判别力。2.提出一种深度度量学习与条件随机场结合的分类方法。为了能进一步提高分类表现,在考虑到图像中含有丰富的上下文信息后,本文采用条件随机场作为后处理分类步骤。深度度量学习模型用于提取特征,条件随机场模型则是根据提取到的特征完成最终的分类。实验结果也说明在融合了上下文信息后,分类准确率能进一步提升。3.采用ConvCRF算法用于条件随机场模型的快速推断。条件随机场模型中所含的边数过多使得直接推断比较困难。为此,本文采用了基于平均场近似的ConvCRF算法来实现模型的推断。实验表明,与其他一些深度学习模型相比,本文方法具有更高的运算效率。