随着近年来高光谱成像仪的不断普及,高光谱遥感影像开始被广泛应用于地表事物识别分类、灾难异常检测、城市演变、国家安全等重要领域,在这些广泛的应用中,有很大一部分可以被归纳为高光谱遥感影像分类问题的应用,因此高光谱影像的分类是一个重要的研究课题。同时又因为高光谱数据自身维度大,样本少,同物异谱和同谱异物等特点,让高光谱图像分类也成为了一个难点问题。因此本论文从分析光谱信息开始,逐步深入讨论高光谱遥感影像分类问题,针对目前所面临的问题,在相关研究的基础上,提出了本文以光谱信息为主体的空谱特征提取分类模型。本文主要工作如下:1)提出了一种结合引导滤波的LSTM高光谱遥感影像分类方法,在分析确认光谱信息作为分类基础的可行性后,首先利用引导滤波对原始影像数据进行处理,将空间信息融入到光谱信息中;然后对新得到的光谱序列使用LSTM进行特征提取,从而得到同时具备空间信息和光谱信息的特征;最后将该特征送入分类器进行分类。为了验证本文所提分类方法的有效性和可行性,分别在三个常用数据集上进行验证,实验结果表明,所提模型经过训练后可以得到较高的分类性能,并且在样本充足和不充足的情况下都具有较强竞争力,因此可以证明所提方法在高光谱遥感影像分类问题上是切实有效的。2)由于1)中使用引导滤波技术将空间信息融合进光谱信息后,再对新的光谱进行序列建模分析,这破坏了光谱信息的原始状态,同时也不是一个端到端的整体分类算法。因此针对1)中方法存在的隐患与不足,提出了共享权重的Conv-LSTM特征提取分类算法。首先对原始影像建模分析得到同心数据块;然后将该数据块利用共享权重的Conv-LSTM进行特征提取,得到特征块;再然后利用max-pooling对特征块进行特征选择和降维;最后利用分类器对特征分类。同样为了验证本文所提方法的有效性和可行性,分别选用四个常用数据集进行实验验证,实验结果表明,所提算法能够有效进行特征提取和分类,并且在样本充足、样本不充足、样本组成复杂和样本组成简单四种情况下仍具有较强竞争力。因此可以证明所提方法针对不同特点的高光谱影像数据时是切实可行的。