随着遥感技术的飞速发展,高光谱遥感在城市测绘、森林监测、气象预测及环境监测等方面得到了广泛应用,其中,高光谱图像分类是解译与分析高光谱图像的关键技术,也是高光谱领域的研究热点之一,具有重要的学术研究与实际应用价值。近年来,针对高光谱图像非线性、“图谱合一”等特点,遥感学界引入深度神经网络,以更好地提取高光谱图像的非线性及深层特征,使其适用于高光谱图像分类任务,并表现出良好的性能。然而,现有的基于深度学习的分类方法存在特征维数较高、卷积尺度单一、空间上下文信息利用不充分等问题。同时,现有研究在空间特征提取时忽略了特征图之间的相关性,在光谱特征提取时没有考虑光谱序列的上下文信息,导致分类精度有待提高。针对上述问题,本文开展了相关研究工作,主要内容包括:(1)提出了基于随机多尺度卷积网络的高光谱图像分类方法。本文在特征降维过程中引入多尺度降维模块,该模块考虑了不同同质区域的多样性,可以同时提取低层光谱信息和空间信息,并获得更好的降维图像;其次,该方法在随机卷积网络中构造了不同尺度的特征提取器,克服了单一卷积尺度的局限性,可以有效利用空间上下文信息,并直接提取图像的多尺度特征。实验结果表明,该方法可以较好地提高分类精度。(2)提出了基于注意力机制与多分组策略的高光谱图像分类方法。本文在空间特征提取的多尺度卷积网络中添加了通道空间注意力模块,该模块可以区别处理卷积层的输出特征,聚焦在分类过程中更为有用的特征,增强模型的表达能力。同时,本文在光谱特征提取的长短时记忆网络中加入了频带多分组策略,有助于考虑全局及局部光谱信息,探索相邻光谱序列的上下文信息并充分提取光谱特征。实验结果验证了该方法在高光谱图像分类上的可行性和准确性,并获得了更好的分类结果。