在众多的高光谱图像研究领域当中,高光谱图像分类(Hyperspectral Image Classification)是其中的一个相对比较重要的研究学科。高光谱图像分类的主要目的是对某一高光谱图像中感兴趣的地物类别进行准确且高效的划分。随着当前遥感技术的进步,高光谱图像分类在现实的技术生产生活中得到了广泛的应用。例如我们通常所熟知的土地资源调查、自然灾害的探查以及医疗卫生领域等。这一广泛应用的基础是人类能够更加容易的获取到光谱分辨率达到纳米级别的高光谱图像。当然,随着遥感技术和光谱分辨率的进一步提高,人类对与实际应用场景下的特定地物类别的分类要求也变得越来越高。但是由于高光谱图像自身存在的一些缺点,例如丰富的光谱信息造成的数据样本高维度以及获取的大量数据样本并没有得到很好的数据标定造成可用标记样本有限等问题,使得目前在该领域的地物分类研究当中仍旧面临着不少挑战。随着近几年深度学习算法的兴起,越来越多的相应算法也被在该领域研究使用。虽然深度学习在机器视觉领域取得了长足的发展,但是直接应用在高光谱图像领域也还是存在一些问题。例如,没有足够的训练样本使得模型很容易变得过拟合,参数调参繁琐等。本文主要将传统学习方法和深度学习方法进行融合,提出更符合高光谱图像分类的相应算法。本文主要工作如下:首先,将传统的度量学习思想和深度学习相结合,提出了一种用于高光谱图像分类的谱空间深度度量学习方法。相比于传统的线性度量学习方法,此方法通过多层非线性映射将高光谱数据映射到非线性空间。在所提出的模型中,采用两个类似的子网来分别利用高光谱数据的光谱信息和空间信息。对于光谱子网,像素对的原始频谱特征用作输入。像素对可以由来自相同类或不同类的两个像素形成。对于空间子网,经过低通滤波之后的像素对的光谱特征用作输入。由于高光谱图像的局部平滑性,相邻像素通常以高概率共享相同的标记,低通滤波可以增加同一类之间的相似性,有效地增加不同类之间的差异。因此,采用低通滤波在所提出的模型中引入空间信息。其次,利用极限学习机的集成策略,提出基于多尺度的深度极限学习机的高光谱图像分类。算法以极限学习机这一传统分类器做为基本的单元,充分利用邻域间的信息。相比较常规的深度学习算法,该算法在保证它的分类性能的前提下大大降低了参数量,也省去了大多数调参验证时间。我们对模型加深,每一层进行特征的充分提取,并将对数据从不同尺度去获取特征,使得高光谱数据中重要的特征被充分获取到,实验结果能够达到预期效果。最后,提出一种基于随机卷积的U型网络的高光谱图像分类方法。该思想相比较与现有的深度学习框架,它具有更简单的架构,耗时更少。应用随机卷积核在高光谱图像分类中,能够揭示出随机补丁的潜在利用价值,有利于高光谱图像分类。此外,与仅利用最深层特征完成分类的传统深度学习方法不同,所提出的方法在分类中结合了浅层和深层卷积层,具有多尺度的优点。