高光谱遥感图像是遥感图像的一种,主要是通过获取地物反射的不同波长的电磁波经过处理所形成的,一般由几十到几百个波段组成,且含有丰富的光谱信息,是地面环境监控的重要途径,在农作物检测、地质勘测以及军事侦察等方面具有重大的作用。其中,高光谱图像的分类是最为关键和基础的技术。但是,随着高光谱图像数据量的增大,其光谱信息会产生很多冗余,同时增加了“同物异谱”和“异物同谱”现象的出现,对光谱特征的提取和高光谱图像的分类都提出了巨大的挑战。因此,研究高效的高光谱图像分类算法,对于促进高光谱图像具有更加广泛的应用是十分必要的。本文结合高光谱图像的光谱信息和空间结构信息,分析研究了基于深度学习网络PCANetwork和卷积神经网络的高光谱图像分类算法,主要的工作包括:(1)分析了高光谱图像的光谱特征与空间结构特征以及三种特征融合的方式,为高光谱图像的分类算法提供了理论基础。(2)提出了基于PCANetwork的高光谱图像分类算法。分析深度学习模型PCA Network的优势,根据高光谱遥感图像独特特性,研究基于PCA Network高光谱遥感图像的特征提取和分类算法。该方法利用构造好的PCANetwork和高斯SVM多分类器分别进行提取光谱特征和分类。同时结合波段选择和阈值判定的方法加强了分类的稳健性,大大提高了分类精度。(3)分析卷积神经网络的结构特点,实现了利用深层次的卷积神经网络的网络结构获取高光谱图像的光谱特征并进行分类,以及分析了深度学习网络在高光谱图像分类中应用的可行性。综上所述,本文在高光谱遥感图像的光谱特征提取方法的这一核心技术上,研究了如何进一步开发出更合适高光谱遥感图像的分类算法,提出了基于深度学习网络(PCANetwork和卷积神经网络)的分类算法。实验结果表明,基于深度学习模型特的分类方法可以挖掘隐含的深层次的光谱特征、在合理的融合空间结构信息下,能够很大程度上的提高分类精度。