高光谱成像技术在过去的四十年中已经从一个稀少的研究工作转化为广泛的用户社区可用的商品。尤其是在过去的10年,基于高光谱图像的特性踊跃出一大批针对高光谱数据处理的方法。而高光谱影像的分类作为做热门的话题,引无数研究者趋之若鹜。传统的分类方法只考虑到高光谱图像的光谱信息而忽略其空间信息,导致最终的分类结果差强人意。结合高光谱影像的光谱信息和空间信息后,分类的结果有着明显的提高。而提取空间信息的方法又千差万别,如何有效的提取高光谱图像的空间信息并且去除高光谱高维数据的冗余性成为研究的关键。近年来,随着人工智能的兴起,深度学习技术逐渐进入人们的视野。深度学习最早兴起于图像识别,但是短短的几年时间内,深度学习推广到了机器学习的各个领域。如今,深度学习在很多机器学习领域都有着非常出众的表现。本文利用深度学习在特征提取上的优势,将深度学习应用到高光谱影像的分类任务中,主要贡献为:针对传统方法没有结合高光谱影像的空间信息这一缺陷,提出了一种基于特征融合和深度森林的高光谱影像分类方法。该方法先采用PCA对原始高光谱数据进行降维,然后在降维的数据上分别提取它的可扩展形态学特征(EMP)、线性多尺度特征以及非线性多尺度特征。将这三种特征融合后的特征作为深度森林分类器的输入。实验结果证明基于特征融合和深度森林的高光谱分类方法是高效的,即使在小样上也有非常出色的表现。针对CNN固定的几何结构所导致建模几何变换能力不够好的问题,即把一张图片颠倒后CNN可能无法识别,提出了一种基于可变形卷积神经网络的高光谱影像分类方法。该方法在CNN的基础上引入一个新的模块,即可变形卷积层,能够识别不同拍摄角度的图像,增强了传统CNN的建模几何变换的能力。实验结果证明可变形卷积神经网络在高光谱分类工作中有着很好的表现。针对CNN的内部数据表示不考虑简单和复杂对象之间的重要空间层次,使得CNN无法精确识别不同角度拍摄的照片这一问题。提出了基于胶囊网络的高光谱影像分类方法。胶囊网络模拟了人大脑中对物体的表示不依赖于视角,结合了对象之间的相对关系,提高了物体的识别率。该方法先采用主成分分析法(PCA)对高光谱影像的光谱维进行降维,去除冗余信息,然后用窗口扫描得到训练和测试样本,进而送入胶囊网络中进行训练。实验结果证明胶囊网络在高光谱遥感影像的分类任务中也有着不错的表现。