高光谱遥感通过结合光谱技术与成像技术，可以同时获得空间跟光谱维上连续的遥感数据。近年来高光谱图像的光谱分辨率与空间分辨率进一步提高。光谱分辨率的提高在给对地遥感带来前所未有的丰富信息的同时，也给图像后期处理算法，如分类算法，带来了巨大的压力和新的挑战。针对因光谱分辨率提高而带来的高数据维的特征提取方法显得越来越重要，同时高维数据中非线性的成分也越来越不可忽视。另一方面，不断增长的空间分辨率使得像元之间的相关性越来越大，依据空间信息来给图像像素分类成为可能。本文讨论并给出了高光谱图像中“非线性”特征的明确定义，又从高光谱图像成像过程来探讨非线性特征的来源。通过直接观察特征空间中的高光谱数据分布与利用统计假设检验的方法，验证了高光谱图像中确实存在非线性特性。针对非线性特性的特征提取，本文着重研究了基于深度学习的一种模型——自动编码机的提取方法。围绕自动编码机及其深度架构，堆栈自动编码机，本文研究了这些模型的构成，讨论了他们的训练法则与模型可视化分析的方法。以高光谱数据分类问题为牵引，本文研究利用堆栈自动编码机来提取深度的高光谱数据特征以用于分类的方法，并提出了自动编码机-支持向量机与堆栈自动编码机-逻辑回归分类器两种分类方案。在这两种分类方案上，探讨了合适的特征数目与特征深度。实验表明，自动编码机作为特征提取方法能得到比传统线性特征提取更好的特征；堆栈自动编码机-逻辑回归分类器在分类的各项指标中也全面超越基于支持向量机的经典方法。虽然基于自动编码机的特征提取方法相较于传统方法优势明显，可依然可以通过引入空间信息来进一步提升精度。针对空间信息的利用问题，本文提出了一种基于像素邻域的主成分分量来提取空间信息的方法，并在此基础上融合光谱特征和这种空间特征，利用堆栈自动编码机-逻辑回归分类器进行空谱联合分类。实验表明，基于空谱联合的分类方法能够进一步超越支持向量机和之前基于光谱信息的分类方法，达到更高的分类精度。