高光谱图像所蕴含的丰富空间和光谱信息能够准确地表征地物的物理性质,对于精细地物识别具有极大的意义。然而,受限于高光谱图像数据量大、冗余性高以及像素之间存在“同物异谱”和“异物同谱”等问题,地物精细识别的难度急剧提升。因此,设计性能优越,鲁棒性强且复杂度低的高光谱分类算法仍然是一项具有挑战性的研究课题。得益于强大的拟合能力,深度学习被广泛应用于遥感图像处理中。然而,基于深度学习的分类模型在对高光谱图像进行分类时所带来的参数量大、容易过拟合问题仍然是获得精细分类结果的瓶颈。因此,本论文从注意力机制的角度对深度学习分类算法展开研究,帮助进一步提高高光谱图像分类的性能,本文的主要工作总结概括如下:基于深度学习的光谱空间特征融合已经成为了高光谱图像分类的热点,然而,以往基于空谱特征融合的深度框架通常只考虑在网络的末端进行特征聚合,且在特征聚合过程中仅考虑了一阶统计特征,不利于获取更具判别性的空谱特征。因而,提出了一种全局-局部层次加权融合端到端网络,该框架包括两个分别用于光谱特征提取和空间特征提取的子网络以及空谱特征融合过程。对于光谱子网络,设计了两种波段分组策略,并利用双向长短时记忆神经网络对分组后的光谱群从全局到局部充分获取光谱上下文信息。对于空间子网络,结合基于局部注意力的池化策略,构建全局-局部池化融合模块,自适应的采样和增强卷积神经网络所学习到的重要的空间特征。在融合阶段,建立了层次加权融合机制,以获得光谱特征和空间特征之间的非线性关系。在四个真实的高光谱数据集上的实验结果表明,该方法在分类精度和泛化性方面优于其他先进的分类算法。上下文信息对于像素级的高光谱分类具有不可或缺的作用。然而,以往基于深度学习的方法仅在特征编码之后考虑特征的上下文信息,获得的上下文信息仍然具有提升的空间。此外,他们缺乏对光谱维度的上下文特征的探索,而光谱维度,尤其是在高光谱图像中,是上下文特征的重要组成部分。针对这些问题,提出了一种基于非局部依赖学习的高光谱分类全卷积网络,该网络从浅层（空间）到深层（语义）充分挖掘高光谱图像空间和光谱非局部上下文特征。具体地说,我们提出了上下文感知模块,该模块通过局部和邻域学习以及全局学习捕获和改进联合局部上下文响应,接着利用全局卷积长短时记忆神经网络学习进一步增强不同阶段的特征空谱非局部上下文响应,获得更具判别性的多尺度融合特征表示用于分类。在三个不同场景数据集上的实验结果表明,所提方法在获得更优越的分类性能的同时具有更低的计算成本。最后,基于所提的高光谱分类算法,进行高光谱图像的应用实例,具体包括:1)洞庭湖湿地周边区域的地物分类与制图;2)肯尼迪航天中心周边区域水体与植被识别。结果进一步体现了所提方法的实际应用价值。综上所述,本论文针对高光谱遥感图像分类问题,结合注意力机制从深度学习角度提出了全局局部层次加权融合网络用于深度挖掘高光谱图像空谱相关性,并提出基于非局部依赖学习的全卷积分类网络更深入的关注高光谱图像的上下文信息用于提高分类精度,通过大量定性和定量的实验以及高光谱遥感应用实例证明了所提分类方法的优越性及泛化性。