高光谱图像以其丰富的光谱信息被广泛应用于农业、林业、矿业等方面,随着光谱成像技术的发展以及日益增长的需求,高光谱图像分类作为高光谱图像研究领域最重要的研究方向之一也受到了越来越多的重视。然而,日益升高的光谱分辨率在带来更加丰富信息的同时,也给高光谱图像的分类提出了挑战,原有的一些用于自然图像、全色图像和多光谱图像的分类方法并不适用于高光谱图像的分类,而高光谱图像分类一直存在的小样本、多维度、相关性、非线性等问题显得更加地突出。因此,如何充分利用有限的样本,提取出更加丰富的特征,以及如何有效地整合这些特征成为目前高光谱图像分类研究亟待解决的问题。本文针对这两个突出的问题,尝试将在计算机视觉等领域取得巨大成功的深度卷积神经网络与多尺度几何分析中的非下采样轮廓波变换进行结合,并加入高光谱像元的光谱信息和局部空间邻域信息,具体工作如下:1.介绍了高光谱图像的特性以及给分类带来的问题,对现有的分类算法进行归纳,并指出其不足。考虑到非下采样轮廓波变换对线性奇异特征的优异逼近能力以及多尺度、多方向、各向异性等特征,将非下采样轮廓波变换用于高光谱图像特征提取,该方法用主成分分析对待分类高光谱图像进行降维,然后对降维后的每一个维度进行非下采样轮廓波变换,保留高频子带系数并进行叠加,取小块并剔除背景像素,然后利用深度卷积神经网络的强大特征提取能力将叠加的系数用深度卷积神经网络进行进一步的提取和整合,最后用Softmax分类器进行分类。通过对比实验讨论了不同降维方法、降维比例、局部块的大小和网络超参数的设置等对最终分类精度的影响。2.考虑到高光谱图像所具有的丰富的光谱信息及这些信息间的冗余和非线性特性,分别提出了一种结合变换域特征和光谱特征的高光谱图像分类方法、一种结合变换域特征和像元空间邻域信息的高光谱图像分类方法和一种结合变换域特征、空间邻域信息和光谱特征的高光谱图像分类方法。第一种结合方式将经过非下采样轮廓波变换后的高频子带系数和每一个像元在光谱方向上用核局部费舍尔判别分析进行非线性降维后的矩阵进行叠加然后用深度卷积神经网络进一步的提取和整合,最后输入到Softmax分类器中进行分类。核局部费舍尔判别分析可以去除类间样本的相关性,使类间距离最大化,类内距离最小化并能提取局部的非线性特征。第二种结合方式考虑到每个像元的局部邻域信息,将原始高光谱图像在光谱维上进行降维后与经过非下采样轮廓波变换后保留的高频子带系数矩阵进行叠加,然后用深度卷积神经网络进行特征提取和整合,最后输入到Softmax分类器中进行分类。第三种结合方式是将第一和第二种结合方式的融合到一起,即结合变换域特征、空间局部信息和光谱特征的高光谱图像分类方法。三种方法的分类效果均能在第一种方法的基础上得到进一步提高,并且第三种方法较前两种方法分类效果有进一步提高。