近年来,由于高光谱数据的独特性质以及所包含的海量信息,对于高光谱图像的分析与处理已经成为遥感影像研究领域的热点之一,而其中的高光谱图像分类任务又对地质勘探、农作物检测、国防军事等领域起着实质性的重要作用,值得更加深入的研究。然而高光谱图像分类任务中,数据特征的获取和学习一直是研究的重点与难点,如何提取充分有效的特征直接影响到分类结果的好坏。本文从语义特征入手,将自然语言处理领域的相关思想引入到高光谱图像分类问题上来,并利用深度学习框架,对于高光谱图像的低层特征进行高层抽取与整合,得到表示性更好、可分类性更高的高层语义特征,同时将特征学习与分类统一为整体框架,提升了分类效果。本文的主要工作如下:(1)提出了一种基于空间约束视觉词袋的高光谱图像分类方法,将文档和词的概念引申到高光谱图像处理领域,并针对数据特性改进了传统的词袋方法。该方法通过超像素分割构建文档,并在传统低层特征的基础上利用聚类构建视觉词,计算文档的视觉词直方图,作为语义特征输入分类器完成分类。该方法针对高光谱图像传统特征表示性不足的问题,整合了空谱特征,有效利用了局部空间信息,学习出判别性更好的语义特征,证明了语义特征的有效性,提高了高光谱图像分类效果。(2)提出了一种基于局部空间序列递归神经网络的高光谱图像分类方法,提取出表示性更好的高光谱图像高层语义特征。该方法针对高光谱图像传统低层特征信息量不足、局部空间中不同样本对模型影响不同等问题,在传统低层特征的基础上,提取了样本的局部空间序列特征,并利用时序递归神经网络将局部空间信息进行高度整合与抽象,在得到高层语义特征的同时,增强了局部空间中有用像素的作用,抑制了无用像素的影响,提升了分类精度。(3)提出了一种基于非局部序列递归神经网络的高光谱图像分类方法,在局部空间序列特征的基础上加入了全局信息,提升了高层语义特征的表征性。该方法针对局部空间信息的局限性,在全局尺度上寻找样本的非局部相似样本点,并对包括原始样本在内的非局部相似样本点提取对应的局部空间序列特征,共同构成原始样本的非局部序列特征,该特征在保留了局部空间特征的基础上,整合了非局部样本点的信息,得到的高层语义特征包含信息更充分,可表示性更强,提升了高光谱图像分类正确率。