高光谱图像由上百个连续的光谱通道组成,包含了丰富的光谱、空间信息。而LiDAR数据涵盖了被调查区域的海拔高度、形状规模等高精度三维空间信息,这类信息能够作为高光谱图像的额外补充,有效补充其在分类过程中的特征多样性。近年来,高光谱图像和LiDAR数据的融合分类逐渐发展成为了遥感数据分析的关键技术。本文围绕深度学习的单源高光谱图像监督分类以及高光谱图像和LiDAR数据融合分类问题展开研究,主要工作有以下几个方面:（1）面向高光谱图像监督分类问题,提出了一种由扩散方程驱动的深度学习分类模型。首先将Perona-Malik（PM）扩散方程引入到卷积神经网络的隐藏层,既保留了卷积神经网络在深层网络中的特征提取能力,还引入了PM扩散的边缘保留和降噪功能;然后把这种全新的卷积层即可训练PM扩散单元和1×1卷积联合,封装成一个TPM-block;通过多个TPM-block深度级联以构造一个端对端的深度学习网络。实验表明,该算法具有优异的分类性能。（2）针对高光谱图像和LiDAR数据融合分类问题,提出了一种由扩散方程驱动的深度学习算法。该算法通过将多个卷积层和可训练PM扩散单元级联以充分学习两种遥感数据的深层特征;同时,还提出了一种全新的概率重构融合算法,它首先将学习到的两种异构特征以及通过特征求和得到的融合特征分别输入到Softmax分类器中以获得各自的概率矩阵,然后通过加权求和对概率矩阵进行重新整合以生成最终的分类概率预测。实验表明,该算法具有优异的分类性能。（3）针对高光谱图像和LiDAR数据融合分类问题,提出了一种双分支多级融合结构的深度学习算法。该算法采取双分支结构和可分离空-谱卷积方式以充分学习高光谱图像和LiDAR数据的深层特征信息;同时,通过建立特征级融合和决策级融合机制,实现两种遥感数据的异构特征融合。其中,针对融合阶段产生的参数量大、过拟合等问题,在特征级融合阶段,以特征求和方式替代了目前广泛使用的全连接融合策略,而决策级融合中每种特征对应的决策权重由各自的分类结果计算得到。经实验证明,所提算法具有优异的分类性能。（4）设计并实现了一个分类算法的集成系统。该系统涵盖了本文所提出的三种分类算法以及其他六种经典的深度学习算法,集数据可视化、图像分类、分类性能评测于一体,能够便捷地从输入数据中捕获特征信息并得到分类结果。