随着传感器技术的快速发展,目前已经能获得分辨率较高的高光谱影像,这为高光谱影像数据的研究和分析提供了技术保障,合理的利用这些数据,通过开发适当的网络,实现对某些领域地物的有效识别和分类具有重要意义。在遥感数据分析中,高光谱影像分类是比较关键的一环,提取的特征中包含了影像的有用信息,分类的结果不仅可以满足实际需求,还能为其它应用提供有利的数据信息和技术支持。在现有的深度学习方法中,卷积神经网络（CNNs）因为具有出色的局部上下文建模能力,被广泛用于高光谱影像分类中,其中基于空谱联合特征提取的方法在分类上取得了较好的效果。在高光谱影像（HSI）光谱数据中,相邻波段间信息的相关性对光谱特征近似的不同地物的分析具有重要意义,然而在传统的基于CNN的高光谱影像光谱数据处理方法中,由于网络中卷积核的大小和卷积的深度限制,CNNs未能很好地挖掘和表示具有几百个光谱波段间特征的序列属性。根据这些问题,本文做了如下研究工作:（1）为了尽可能多的提取具有辨别性特征,本文提出了一种融合Transformer和VGG网络的空谱联合特征提取网络（SST＿Like）用于高光谱图像分类,该网络采用3D卷积核的VGG网络提取空谱特征,引入了稀疏约束策略的Transformer网络提取连续光谱间信息,最后将得到的空谱联合特征信息通过多层感知机（MLP）完成地物分类任务。SST＿Like网络模型在三个高光谱影像开放数据集上进行了测试,从结果中可以看出,与传统的基于CNN的高光谱影像分类算法相比,能够提取到更加深层次的、具有判别性的特征,极大地提高了分类性能。（2）考虑到VGG网络只能逐层提取特征以及Transformer网络基于全局自注意力的计算方式,当影像分辨率高,像素点多时,计算量较大,分类时效性不佳,本文提出了一种基于Swin Transformer和三维残差多层融合网络的新型网络（Re STrans）用于高光谱影像分类。Re STrans网络中,三维残差多层融合网络用于提取深层次的空谱联合特征,然后由基于自注意机制的Swin Transformer网络模块近一步捕获连续光谱间的关系,最后由多层感知机根据空谱联合特征完成最终的分类任务。由实验结果可知,该网络相较于其它单一的特征提取网络,具有更加优越的分类性能,同时也表明了在空谱联合特征提取的基础上,将各光谱波段间的相关性考虑进来,能带来更高的分类精度。