随看科技时代的进步与发展,遥感技术也发展的很快,遥感图像作为人们获得地面信息的重要研究对象,它也是近年来研究的热点。遥感图像在观测的领域中占有很重的分量,如今高光谱遥感技术已经应用于海洋监测、军事、土地资源等方面。高光谱图像的分辨率变得越来越高,图像越来越清晰,这使得图像中的信息变得更加的丰富,但是同时也带来了新的挑战,不仅使数据量和数据的维度增大,在一些研究的算法上的要求也更高。高光谱图像分类是当今研究的热点,它在理论研究与应用的前提是保证精确的目标分类,它的关键之处在于特征的提取。高光谱图像是一个具有三维立方体的数据,包含了丰富的光谱信息和空间信息,之前对高光谱图像进行分类运用最多的特征信息就是光谱信息。在近些年,提取的空间信息特征也被频繁运用来进行分类,取得了很好的分类效果,但是空间信息特征的提取仍然存在很多问题,怎样充分提取空间信息特征提高高光谱图像的分类精度依然是目前研究的重点问题。深度学习近几年受到了广大研究学者的高度关注,强大的数据分析能力和特征提取能力使其得到很多学者的青睐,深度学习也被应用到多个领域。对高光谱图像分类,为了提取更充分有用的特征信息提升其分类精度,首先提出了基于均方差空间信息提取算法,之后使用该算法提取图像的空间信息特征,然后提取图像中的光谱信息,把基于均方差算法提取的空间信息与提取的光谱信息进行融合形成空谱信息。最后设计不同的CNN模型和不同的栈式自编码神经网络模型,分别运用所设计的模型对光谱信息、空间信息、空谱信息进行训练分类。实验结果显示,基于栈式自编码神经网络的空谱信息模型得到的分类精度最高,与SVM模型、基于深度学习的高光谱图像分类及参数设置研究论文中的经过参数调节后的空谱-2D-CNN模型得到的分类精度相比都要高,提高了分类精度。