高光谱遥感影像（Hyperspectral Remote Sensing Images,HRSIs）是将不同波段下的二维影像按波长递增的顺序堆叠而成的三维数据立方体,具有丰富的光谱信息和空间信息;雷达高分辨距离像（High Resolution Range Profile,HRRP）是各距离单元内目标散射点雷达回波的能量和组成的向量,包含目标的表面特性和结构特征,HRSIs和HRRP均属高分辨率遥感影像。为提升HRSIs地物分类的准确率,采用分数阶微分提取HRSIs像素光谱的分数阶微分（Spectral Fractional Differentiation,Spe FD）特征,之后通过经典分类器验证Spe FD特征的有效性,并采用卷积神经网络提取深度Spe FD特征与包含空间信息的深度Spe FD-Spa特征;此外,设计二维分数阶微分掩模提取HRSIs像素空间的分数阶微分（Spatial Fractional Differentiation,Spa FD）特征,并将Spa FD特征与原始特征直连融合形成混合特征Spa FD-Spe-Spa,然后通过卷积神经网络进一步提取深度特征。对HRRP采用分数阶微分提取其幅度谱分数阶微分（Amplitude Spectrum Fractional Differentiation,ASFD）特征,为解决螺旋桨飞机识别率低的问题,基于ASFD特征设计两阶段分类融合策略,可在大幅增加螺旋桨飞机识别率的基础上提高整体识别率;并设计一维卷积神经网络（1-Dimensional Convolutional Neural Network,1DCNN）对ASFD特征进行深度特征提取与分类。具体研究内容如下:（1）为提高HRSIs地物分类的准确率,采用分数阶微分提取HRSIs像素光谱的Spe FD特征,然后采用全连接网络（Full Connected Network,FCN）与1DCNN分别提取深度Spe FD特征,并采用3DCNN（3-Dimensional Convolutional Neural Network,3DCNN）与Hybrid SN（Hybrid Spectral Net）分别提取深度Spe FD-Spa特征。首先提出一种基于光谱可分性判据的阶数选择准则,以选取适宜的微分阶数对每一个像素光谱提取Spe FD特征;再将获得的Spe FD特征以及采用线性判别分析降维后的Spe FD特征通过最小距离分类器、支持向量机、K近邻分类器验证有效性;最后将Spe FD特征送入FCN与1DCNN分别提取深度Spe FD特征,并将Spe FD-Spa特征立方体送入3DCNN与Hybrid SN分别提取深度Spe FD-Spa特征。在四个真实HRSIs上的分类结果证明,将所提取的Spe FD特征引入深度学习环境可进一步提高HRSIs地物分类的准确率,并且在小样本情况时提升的效果更好。（2）为有效提取HRSIs的空间特征,设计二维分数阶微分掩模提取HRSIs像素空间的分数阶微分特征Spa FD,然后将Spa FD特征与原始特征直连融合获得混合特征Spa FD-Spe-Spa,分别采用3DCNN与Hybrid SN提取深度Spa FD及Spa FD-Spe-Spa特征。首先提出一种空谱联合准则用于选取适宜的微分掩模阶数,对每个波段的二维影像采用分数阶微分掩模做处理,将结果堆叠形成Spa FD特征;再将Spa FD特征与原特征直连融合获得混合特征Spa FD-Spe-Spa;最后将Spa FD特征与Spa FD-Spe-Spa特征分别送入3DCNN与Hybrid SN进行深度特征提取。通过在四个真实HRSIs上的分类结果证明,Spa FD与Spa FD-Spe-Spa特征相比原始Spe-Spa特征可以有效提高地物分类准确率。（3）为提升HRRP目标识别的准确率,采用分数阶微分提取HRRP的ASFD特征,然后针对螺旋桨飞机识别率低的问题,基于所提取的ASFD特征设计两阶段分类融合策略,最后采用1DCNN提取深度ASFD特征。首先对HRRP做快速傅里叶变换得到其幅度谱特征,然后提取幅度谱的分数阶微分特征ASFD,并提出两阶段分类融合策略:第一阶段针对螺旋桨飞机识别率低的问题,先从相邻幅度谱能量差的角度挑选螺旋桨飞机,再对剩余样本提取高阶ASFD特征进一步挑选螺旋桨飞机;第二阶段对第一阶段挑选螺旋桨飞机后剩余的幅度谱特征提取低阶ASFD特征,分类后得到最终识别结果,并设计1DCNN对所提取的ASFD特征进行深度特征提取与分类。基于实测HRRP的实验结果表明,ASFD特征结合两阶段分类融合策略可以大大提高螺旋桨飞机识别率,从而提高整体识别率,具有更佳的目标识别效果;相比深度幅度谱特征,深度ASFD特征更有效,可有效提高目标识别率。