高光谱遥感技术以其宽广的探测范围和较强的识别能力,是人类对大区域和难以接近目标实现宏观和科学探测的强有力手段,在科学研究和实际应用中具有重要的地位。虽然高光谱图像丰富的光谱信息和空间信息为实现更加精准的地物分类提供了可能,但也导致其具有光谱维数高和复杂非线性特性,给地物分类带来了巨大挑战。新兴深度学习算法因其超强的特征学习能力,是解决上述问题的有效方法,成为了高光谱图像处理领域的前沿方向和研究热点。在实际应用中,高光谱图像由于噪声类型和分布不确定性、不同空间分辨率下地物特征不稳定性以及光谱和空间特征异构性,使得当前高光谱图像分类算法存在泛化能力不足问题,严重影响其实际应用能力。本文基于卷积神经网络理论和高光谱图像的特点,分别从降噪和分类联合优化、鲁棒特征学习网络设计以及异构空谱特征融合三个方面展开研究,为改善高光谱图像分类算法对噪声适应性、对分类的稳定性和准确性提出了新的方法和思路。论文完成的主要研究工作如下:（1）针对高光谱图像噪声类型和分布不确定性,而当前先降噪后分类方式容易造成有用信息丢失和无法适应真实噪声数据问题,提出了一种集成特征学习的高光谱图像降噪和分类联合算法。考虑到高光谱图像易受不同类型噪声干扰和波段数不一致问题,设计了一种全波段降噪算法,实现全局光谱特征提取和全部波段同时降噪,并解决逐波段降噪算法无法与分类算法同步优化的局限性。根据高光谱图像光谱的高维非线性,设计了一种分组光谱分类算法,通过在光谱方向上进行分组卷积来挖掘可分性强的多尺度局部光谱特性和快速降维,同时与全波段降噪算法构成降噪和分类联合算法。考虑到不同波段噪声强度的差异性,构建了一种自适应的混合损失函数,实现降噪和分类在优化过程中的信息交互和相互促进。同当前先降噪后分类算法相比,本文提出的算法在不同类型仿真噪声和真实噪声数据上,保持了较好的降噪指标和视觉效果,同时有效提升了分类的准确性和稳定性,从而提高了分类算法对高光谱图像噪声的适应能力。（2）针对不同空间分辨率条件下高光谱图像分类面临地物特征不稳定性问题,提出了一种基于全分组卷积网络的高光谱图像鲁棒分类算法。在初始阶段设计了一种多尺度全局光谱特征提取算法,先利用所提出的多核逐通道卷积对高光谱图像每个波段的空间信息进行多尺度表征,进一步利用注意力机制来强化其中重要的特征,最后利用位置变换和分组卷积来实现每个尺度下全局光谱特征提取,有效解决了因不同空间分辨率而造成地物特征不稳定性的难题。在中间阶段设计了一种双流空谱特征提取算法,通过结合可分离空间卷积和分组卷积来进一步提高特征表达能力。在特征融合阶段设计了一种轻量级特征融合算法,通过在点卷积上应用分组卷积来减少融合参数和缓解过拟合现象,并利用位置变换来建立各组融合特征之间相关性,为实现地物分类提供可靠的特征。最后通过建立网络超参数和分组数之间的关联,有效减少超参数所需的调优数量和时间。同现有分类算法相比,本文提出的算法在超参数设置完全相同的情况下,大幅提高了对不同空间分辨率高光谱图像在分类性能上的稳定性,体现了鲁棒的特征学习能力。（3）针对高光谱图像光谱和空间特征异构性问题,提出了一种基于双区域空谱特征融合的高光谱图像分类算法。首先通过构建光谱和空间信息互补的双区域输入,并利用并行卷积神经网络设计了一种局部和全局的双区域特征提取算法,实现从高光谱图像中同时挖掘光谱、局部空间相关性和全局空间结构信息,从而适应不同地物种类在空间形态和分布上的差异性。然后在双区域特征提取算法中进一步利用注意力机制来强化其中重要的光谱特征,削弱不同地物光谱信息差异性对分类产生的影响。考虑所需融合特征之间的冗余性和相关性,设计了一种正则化和归一化的融合算法,通过在特征融合层上利用正则化策略和平滑归一化激活函数,能够自适应融合不同场景所提取的光谱和空间特征。最后,利用单一的交叉熵损失函数和端对端的训练方式,实现了特征提取、特征融合和分类过程同步优化。同现有相关分类算法相比,本文提出的算法有效提升了分类的准确性,同时具有较高的计算效率。