在过去几年,高光谱图像处理技术在理论和应用上都取得了巨大进步。得益于高光谱图像同时拥有丰富的空间信息和光谱信息,高光谱图像地物分类算法研究取得了巨大进步。但是随着高光谱图像的空间分辨率和光谱分辨率不断提高,数据维度大幅度增长,这也使得当前主流的基于“空间谱特征”(spatial-spectral feature)的分类方法面临非常大的困难。经典的高光谱图像分类方法,诸如支持向量机、逻辑回归、神经网络等都可归结为浅层分类器,而研究表明深层网络可以从原始数据中提取更多刻画数据本质的特征信息。本文对高光谱图像的成像原理及特点进行了深入分析,然后引入了深度神经网络理论,通过在深度神经网络相邻层神经元间引入连接的稀疏性,实现自适应的分类特征深度提取;另一方面,为了降低深度神经网络的计算复杂度,本文提出了一种高效能深度自适应神经网络分类方法,并将该方法成功地应用于高光谱图像地物分类。本文的主要贡献归纳如下:(1)分析了高光谱图像的成像原理与数据特点,并阐述了对原始高光谱数据进行特征提取或降维的必要性。然后建立了基于深度神经网络的高光谱图像地物分类模型,在此基础上,对比常用的特征提取方法,分析了深度神经网络的优势以及深层网络结构对模型性能的影响。(2)针对高光谱图像波段间存在强相关性与冗余性,并给模式识别和分类等任务带来了巨大挑战,本文提出了一种基于深度自适应分组置信网络的高光谱图像地物分类方法。该方法能够自适应的衰减与冗余波段相连的连接强度,减小冗余波段的影响,降低特征间的相关性,提高分类精度。(3)针对深度神经网络具有计算复杂度高,参数众多等特点,难以在嵌入式平台上广泛推广。本文提出一种嵌入式高效能深度自适应神经网络分类方法,以及面向硬件的神经网络优化存储方法。该方法能够自适应地删减大部分连接权值,仅保留小部分重要的连接。另外该方法使用单比特数来代替高精度权值,最多可以节省99%的存储空间,并且对分类精度不会造成大的影响。