高光谱图像分类是遥感图像处理的一个重要分支。高光谱图像是由数百个波段的光谱信息以及每一光谱对应的二维空间信息组成的高维图像数据。高光谱图像数据中包含丰富的光谱信息和空间结构信息是有助于我们对土地覆盖进行区分的。因此,高光谱图像在地质灾害监测、矿产分析、农业试验、海洋环境调查中发挥着重要作用。高光谱图像的分类正确与否至关重要。传统的分类方法将高光谱图像当作普通图像处理,其提出的浅层分类模型往往难以提取出图像的本质特征,影响分类精度。深度学习出现以后,由于其具有能够提取输入数据深层特征的特点以及非线性映射的能力,已经被广泛应用于图像处理的相关领域。然而高光谱图像存在着严重的同谱异物以及同物异谱的问题,使得深度学习应用于高光谱图像面临着严峻的挑战。本文针对高光谱图像分类任务中存在的一些问题,提出了我们的解决办法,具体研究内容如下:（1）针对高光谱图像数据中存在冗余信息和嘈杂信息的问题,我们结合传统的特征提取方法和卷积神经网络的特征提取方法,设计了一个基于奇异值分解的类卷积特征提取网络。该特征提取网络从输入数据自身出发,通过奇异值分解方法来得到奇异值矩阵。奇异值矩阵与数据的相乘相当于卷积核与数据的卷积过程,所以将奇异值矩阵中的奇异值向量变形为“卷积核”,用此“卷积核”与自身的计算,从而达到类似卷积的效果。提取到的特征属于更深层次的特征,使得提取的特征更具判别性,从而提高高光谱图像的分类效果。（2）针对高光谱图像数据是包含光谱维度以及相对应的二维空间信息的三维立体数据的特点,以及二维卷积神经网络无法从光谱维度中提取出较好识别的特征图的问题,我们设计了一个基于空谱域协同增强的高光谱图像分类网络。该网络利用深度三维卷积神经网络来提取高光谱图像的光谱信息和空间信息,并且在此基础上加入不同的注意力机制模块,进一步增强两个特征的信息,并将其融合后再进行分类,较大程度地提高了分类准确率。（3）针对高光谱图像的空谱特征融合问题,我们设计了一个两阶段的双支路空谱特征融合高光谱图像分类网络,网络构成分别是第一阶段的特征提取网络和第二阶段的双支路分类网络。其中第二阶段的两个支路中分别采用不同的改进后的注意力机制模块来增强光谱特征和空间特征。最后将增强的特征通过级联方式进行融合并分类,使得分类准确率更高。