高光谱遥感图像是通过卫星或飞机拍摄的具有多个波段的地表图像,在水质检测、精细农业、地质调查等多个领域内应用广泛,在这些应用中,地表信息往往非常重要,所以我们需要对高光谱图像进行分类。近年来,深度学习的迅速发展使神经网络在许多领域达到了领先水平。为了处理不同领域内的数据,人们陆续提出了卷积神经网络,自动编码器,长短时记忆网路等多种基于神经网络的模型。神经网络模型的灵活性使研究者可以根据不同的数据特点调整神经网络的结构以达到最优的效果,而根据高光谱图像数据的特点来设计针对性的神经网络就是本文的研究重点。本文先是分析了高光谱图像分类问题的难点,并以一个简单的实验加以验证。以解决这些难点为目标,本文借鉴了自动编码器中预训练的思想,提出在高光谱图像中进行有监督预训练的方法。为了融合空间信息和光谱信息,本文借鉴了卷积神经网络中参数共享的思想,对多个特征提取网络进行了参数共享,有效的降低了输入信息的维度,同时大大减少了网络参数数量。结合两种思想,本文提出了一种完全基于神经网络的对高光谱图像进行分类的模型,它能有效解决高光谱分类问题中的难点,同时留有一定的灵活性。与传统方法进行对比的实验表明,深度学习方法对高光谱分类问题的确有效,与其他深度学习方法的实验表明,相比于直接使用现有的神经网络结构,本文中的模型效果更好。文章最后对本文提出的模型进行了详细的分析,用试验验证了预训练和参数共享这两种方法的必要性,说明了本文方法与卷积的联系和区别,介绍了本文模型与决策融合模型的相似之处。本文的主要创新点是借鉴预训练和参数共享两种思想设计了针对高光谱的深度学习模型。