随着航空航天和成像光谱技术的发展,海量的遥感图像数据得以获取。其中,高光谱遥感是遥感应用中的一项核心研究内容。由于成像技术和光谱技术的结合,高光谱遥感能够捕捉到目标地物的几何空间特征和光谱维度信息,使得图像呈现出多维度,多角度的新特性。高光谱图像数据分类广泛应用于植被调查,生态环境检测,地质勘测以及城市调查等领域。高光谱图像拥有丰富的光谱和空间特征信息,传统的手动特征提取方式低效,繁琐,无法满足实际需求。随着深度学习技术的发展,高光谱图像分类的研究逐渐引入了智能化学习理论。尤其是神经网络的使用,使得高光谱图像分类性能得到了显著提升。虽然神经网络可以提取到更多抽象特征,但也存在以下两个难以解决的问题:（1）高光谱图像具有上百个光谱波段,且光谱信息连续,处理时需要消耗大量计算资源;（2）在实际的分类中,高光谱图像的训练样本极其有限,在小样本下学习到的特征信息极不可靠,导致分类模型的泛化能力有限,无法满足实际的应用。针对上述问题,本文从高光谱数据自身的特点出发,利用卷积神经网络自动提取光谱和空间特征,从而搭建一种端到端的模型。相比于现有分类模型,本文所搭建的模型在分类速度,精度,以及泛化性能上均有较大提升。具体研究工作及成果如下:（1）提出了一种基于残差连接的深度可分离卷积分类模型。深层的分类网络导致训练参数额外增加,训练时间较长,计算开销大。同时,较深层的网络易引发梯度消失问题。为此,引入了金字塔残差单元结合深度可分离卷积,构建了一个具有少量训练参数的残差单元。通过堆叠改进后的残差单元,构建了一个轻量级的高光谱分类模型。模型首层,采用1×1卷积层对输入高光谱的维度进行重新组合,实现跨通道信息融合,压缩了光谱维度。然后,利用中间层的残差单元提取空间和光谱特征。模型末端,使用1×1卷积和全局平均池层的组合替换传统的全连接层完成分类。随着网络的加深,每个残差单元的输出特征图呈小幅度的线性增加,能够连续地捕捉光谱和空间信息。实验结果表明,该模型的训练参数少,复杂度低,具有更高的分类效率。（2）提出了一种双路径小卷积高光谱分类模型。为解决现有神经网络的高光谱分类模型特征提取有限,泛化性能低下,设计了一个双路径小卷积模块。该模块融合了密集和残差两种特征学习路径,模块内全部使用1×1小卷积层捕捉特征信息。1×1卷积得到的特征图具有较好的泛化性能,残差路径可以复用特征信息,而密集路径可以不断地探索新特征。该模块利用两条路径连接的输出重新组合特征,用于下一层的输入,从而提取出更具判别力的特征。利用双路径小卷积模块依次提取高光谱数据的空间和光谱信息,从而构建了一个双路径小卷积分类网络。该网络模型摒弃三维卷积,全部使用二维卷积,有效提高了分类效率。相比现有其他分类模型,所提出的网络分类精度高,复杂度低,具有良好的泛化性能,即使在小样本和空间不相交样本上,依旧表现出更高的分类精度。