高光谱图像分类作为遥感图像领域中的基础研究问题,受到国内外学者的广泛关注。利用光谱成像仪对地面场景进行成像,可获得带有数百个光谱带的高光谱图像,这类图像包含了精细的光谱信息和丰富的空间信息,也因此被广泛应用于许多领域,例如地质和矿物勘探、异常检测、天气识别、大气科学和农业等。但另一方面,正是由于其带有丰富的信息的特性,使得高光谱图像存在光谱维度过高、标注数据少等问题。所以,如何提升高光谱分类模型性能仍然是一项巨大的挑战。近年来,随着深度学习的广泛应用和不断发展,基于卷积神经网络的方法为上述问题提供了一些解决方案,但仍存在一定的不足,如模型参数量与计算量较大,在某些类别的分类上表现不佳等。因此,如何在较少的计算量下充分挖掘高光谱图像空间与光谱维度的信息,进而提升模型的分类效果是高光谱图像分类任务的一大关键问题。本文针对上述问题展开了深入的研究,主要包括以下两个方面:（1）针对如何在较少的计算量下充分挖掘高光谱图像空间与光谱维度的信息这一问题,本文从光谱维度切入,首次引入了Involution这一轻量化算子。为进一步发挥该算子的性能,使其更符合高光谱图像的数据特点,本文结合池化层,1D卷积等结构特点,创新性的提出了Involution-2D和Involution-1D。前者可以在不增加参数量的基础上更有效地结合高光谱图像的空间信息,后者可以在不损失性能的情况下,大幅缩小参数量和计算量,使其能在更多的设备中部署并应用。（2）为了充分发挥这两个新算子的性能,本文提出了一个用于高光谱图像分类的高效空间-光谱交互网络（Efficient Spatial-Spectral Interaction Network,ESSINet）,该网络通过残差连接和改进的Involution算子,可以使高光谱图像中的空间光谱信息更充分的进行交互。最后在四个公共数据集上的实验结果证明了本文所提出的ESSINet的优越性能。