高光谱遥感技术一直以来是遥感领域的一个研究热点,在很多实际场景中产生了良好的社会经济效益。因此不断改进和完善高光谱数据的处理分析方法是人们所迫切需要的。虽然传统特征提取方法在高光谱数据上的应用已初见成效,但是并没有很好地解决高光谱数据的数据冗余和人工标记样本缺乏等问题。针对高光谱数据非线性的特点,本文首先基于流形学习方法,在其基础上进行改进和优化,提出了一种新的特征提取方法。近些年深度学习方法由于其强大的特征学习能力,在高光谱数据的特征提取与分类上表现得越来越抢眼。本文针对高光谱数据存在人工标记的训练样本有限等问题,设计了一种基于多层特征融合的卷积神经网络模型,用于提取高光谱数据的非线性特征并最终实现分类。主要研究内容如下:(1)针对原始高光谱数据的噪声问题,首先对其进行降噪等预处理操作,然后将校正后的三维高光谱数据转化成二维数据。(2)针对高光谱数据的非线性特征及“小样本”问题,本文在流形学习方法基础上提出了一种正交指数判别局部保留投影法(Orthogonal Exponential Discriminant Locality Preserving Projection,OEDLPP)。与主成分分析(PCA)、局部保留投影(LPP)、判别局部保留投影(DLPP)、指数判别局部保留投影(EDLPP)、正交判别局部保留投影(ODLPP)等对比实验的分类结果表明,该算法对样本有效信息的获取具有一定的优越性,能得到更高的分类精度。(3)利用深度学习方法,结合典型卷积神经网络框架模型和OEDLPP算法,本文设计了一种基于多层特征融合的卷积神经网络模型,用于高光谱数据的特征提取与分类中,且该模型表现优异,对解决高光谱数据训练样本有限的问题能起到一定作用。