高光谱图像遥感技术通过结合光谱技术和成像技术,可以同时获取目标区域的空间及光谱信息。由于高光谱图像蕴含丰富的地物信息,所以其在对地物精细分类方面有着巨大的应用价值,如何对高光谱图像进行精确分类也成了对地观测领域一个热门研究方向。近些年来,许多基于深度学习的分类方法由于具有强大的特征学习及分类能力,被引入到高光谱图像分类问题中。鉴于此,本论文提出了一种新的基于深度学习的高光谱图像特征提取及分类方法。首先,根据高光谱图像分类与计算机视觉领域语义分割问题相似这一思路,本论文采用语义分割领域的高性能网络框架DeepLab对高光谱图像进行逐像素的空间特征提取。这种方法打破了现有的一些用于高光谱图像分类的深度学习方法基于像素块进行特征提取的限制。另外,提出的方法能够多个尺度地进行特征提取并且避免了空间分辨率的降低。通过查阅文献,这是第一次将DeepLab引入到高光谱图像特征提取问题中。其次,基于单一的光谱特征或空间特征进行分类并不能够充分发挥高光谱图像的优势,本论文提出了一种基于空-谱融合特征的高光谱图像分类框架,先是通过一种加权融合方法将使用DeepLab提取到的空间特征与高光谱图像的光谱特征进行融合,然后将得到的融合特征输入到支持向量机中完成最终的分类。最后,为了评估所提出的特征提取方法和分类框架的性能,本论文在两个通用的高光谱图像数据集(印第安纳州松树林数据集和帕维亚大学数据集)上进行了实验。实验结果表明,所提出的分类框架较一些传统的分类方法和一些基于深度学习的分类方法有更好的分类性能,特别是对于高光谱图像中一些样本数量很少的类别。而通过设计对比实验和对融合特征的可视化,可验证使用DeepLab提取到的空间特征确实有助于对于高光谱图像的精确分类。