近年来,随着科学技术的进步,地球遥感领域取得了极大的进展。对地物进行精细分类对地球资源的合理利用至关重要。与普通图像相比,高光谱图像不仅包含空间信息,也具有更加丰富的波段信息。这些空间和光谱特征为高光谱图像分析提供了数据支撑,有助于准确识别地物种类。但使用海量光谱信息的同时,在一定程度上忽略了地物的空间相关性、光谱特征之间的强相似性造成冗余等问题,给分类造成了一定困难。针对上述难点,本文主要解决的问题和研究内容如下:（1）针对空间特征不足、数据端空间一致性未被充分利用的问题,本文提出了基于空间一致性的预处理方法和分类模型。首先,将高光谱图像（Hyperspectral image,HSI）进行分块,对每个图像块利用谱图理论生成无向图,并使用谱图小波变换（Spectral Graph Wavelet Transform,SGWT）对图像进行一次分解,得到不同频段的图像分量。然后,对得到的图像分量做高斯滤波,在不同频段上去除高斯噪声。接着,通过逆谱图小波变换,使用滤波后的所有频域分量进行重构,得到经过空间一致性增强的图像。最后,使用优化后的基于多区域的卷积神经网络（Diverse Region-based Convolutional Neural Network,DRCNN）进行分类,得到分类结果。在多个公开数据集上的实验结果表明,该方法增强了HSI的空间一致性,并在多个尺度上去除噪声,对DRCNN和其它方法的分类效果均有有效提升。（2）针对高光谱图像的波段间存在强相关性,造成光谱特征冗余、给分类造成困难的问题,提出了基于光谱相关性的波段选择方法。首先,计算高光谱图像波段间的相关系数矩阵C,然后将矩阵中表示自相关的值(即Cii)设为0,并计算矩阵C的均值mc。设定阈值u（0（27）u（27）1）,若某一波段的相关系数大于均值mc的占比超过u,则将该波段删除。对所有波段进行上述操作,直到达到要保留的波段比例v（%）。这一方法最大程度地保留了有效光谱信息,并同时降低光谱冗余度。在多个数据集上的结果表明,提出的方法通过增大波段间差异提高了分类准确率,并节省了计算成本,加快了网络训练速度。（3）针对DRCNN中存在的不能精准定位错分类区域、且对同个区域多次提取造成空间特征冗余的问题,提出了基于自选择区域的卷积神经网络（Auto-Selection Region CNN,ASRCNN）。模型对图像的处理过程如下:首先,将高光谱图像块划分为五个区域,并通过第一个CNN分支进行预分类,得到五个区域的全局准确率OA（Overall Accuracy）。然后,选择OA最小的区域为目标区域,以尺寸为c×c的窗口在该区域中进行遍历,并计算每个窗口的错分程度eP。接着,选择eP最大的窗口作为重选择窗口SR（re-Selection Region）送入第二个CNN分支。最后,将六个区域的结果进行融合,得到分类结果。这一改进降低了DRCNN中窗口被重复提取造成的冗余,使网络的注意力更精准的放在未被准确分类的像素点上。在多个数据集上的结果表明,改进的ASRCNN取得了更好的分类效果。