随着科技的飞速发展,光谱成像技术日益精进,针对于高光谱图像的解译处理已成为遥感领域的研究热点之一。相较于其他传统成像方式,高光谱图像具有信息量大、光谱波段范围广、谱段分辨率高等特性。因此,其现已被广泛应用在地质监测、农业生产、环境评估以及军事侦察等多个领域。对于高光谱图像而言,可看作是由相同场景组成的三维立方体,其中每个维度的成像场景都与特定光谱波长相关。大量的光谱信息简化了地物类别之间的判别差异,但复杂的数据特性也同样给样本标注、数据处理以及特征利用等方面带来了新的困难,并导致在具体分类任务中,传统方法无法有效的处理光谱信息与成像地物之间的固有非线性关系。现如今,深度学习技术作为解决非线性问题的高效工具,已被广泛应用在遥感图像领域,并带来了一些新的发现与思考。本文将从高光谱图像分类任务中存在的问题出发,提出相关的解决方法,具体研究内容如下:（1）针对于高光谱图像训练样本较少、空间特征利用不充分的问题,提出了一种从原始数据中自适应生成空间卷积核用以进行特征提取的方法。该方法通过同质区域分割、聚类、映射等操作,不断强化区域块之间的空间相关性,并从强相关块中依据信息熵策略筛选出代表性的卷积核作为比对模板,用于更具针对性的空间特征提取。由于所生成的空间卷积核无需训练,因此在一定程度上缓解了高光谱图像训练样本不足的问题。多种公共数据集的实验结果显示,所提出方法相较于同类型方法更具优势。（2）针对于高光谱图像光谱信息冗余、光谱特征利用不充分的问题,继续贯彻前述卷积核生成思想,提出了一种联合光谱注意力机制与通道抽取策略的光谱卷积核生成方法。并在上一章节空间核生成方法的基础上,组建了基于空谱特征融合的卷积核生成网络,从而实现了空间与光谱特征的高效联合利用。所提出的新构建网络与其他对比方法相比,在分类准确性、特征多样性、结果泛化性上都更具优势。（3）针对于高光谱图像分类任务中存在的,深浅层特征利用不充分问题,提出了一种基于偏移预测的特征融合方法。该方法利用深层语义信息预测当前特征相对于前层特征的具体偏移,并建立在以空间感受野为约束的坐标基准上,从而实现概括性特征与细节纹理特征的自适应精准匹配。模型能够依据自身数据特性,自主选择更适合的特征形式。实验结果表明,所提出方法相较于其他同类型方法在模型性能提升上更为有效。