高光谱图像能够同时提供丰富的地物光谱信息和空间分布信息,在遥感领域中占据着重要的位置。然而,高光谱图像在提供丰富信息的同时,所具有的空间变异性强、维度高、数据量大以及非线性可分等特性,也为传统特征提取算法带来了极大的挑战。近年来,深度学习在特征提取领域中展现出了强大的函数表达能力和卓越的推广性能,为高光谱图像特征提取与分类提供了新的发展契机。本学位论文在对高光谱图像自身特性深入探索分析的基础上,利用深度学习算法,设计面向高光谱图像分类的深度空谱特征提取框架,进而提升高光谱图像分类性能。具体研究内容概括如下:1.提出了一种基于深度相似网络的空谱特征提取算法。高光谱图像的光谱信号通常表现出复杂的空间变异性,这会导致同物异谱和异物同谱现象。传统的手工设计特征只能提取到一些浅层特征,如边缘、纹理等;深度学习可以挖掘到数据更加抽象的深层特征描述,但却需要复杂的深层网络结构,使其受限于高光谱图像有限的标记样本。为克服这些困难,我们提出了一个深度相似网络（Deep Similarity Network,DSN）,该模型能够在不扩大训练集的前提下,极大地增加用于网络训练的数据。此外,我们引入了一个基于最大边界的损失函数,能够增强深度相似网络的判别性,进而缓解高光谱图像的空间变异性问题。同时,为了缓解深度网络特征提取压力,减少网络复杂度,我们结合DSN和扩展多元属性特征,构造了相应的高光谱图像特征提取与分类框架,用于高光谱图像分类。实验结果和统计检验分析表明,所提算法能够在高光谱图像分类任务中获得优异性能。2.构建了深度结构保持空谱特征提取算法。现有的大部分深度空谱特征提取方法仅仅利用地物类别标签信息监督网络训练,其特征提取过程是完全自动的,且一般没有先验信息被考虑用于约束该过程。基于流形学习的方法假设高光谱数据位于一个低维流形上,通过约束投影得到的特征尽可能保持原始数据的流形结构,可以得到高光谱图像的本征表示。然而这些方法只在浅层模型中考虑了高光谱图像的流形结构,表示能力有限。基于此,我们将流形学习引入到深度网络框架,建立了结构保持空谱网络（Structure-Preserving Spectral-Spatial Network,SPSSN）,使得学习到的深度空谱特征能够保持原始高光谱图像的流形结构,以提升模型的表示能力。该结构保持约束可以被转化为一个结构保持损失函数,而后与传统的交叉熵损失函数相结合,作为深度网络训练的最终优化目标函数。为使得所提的结构保持约束适用于深度网络框架,我们提出了一种简单有效的求解算法,确保了所提方法的可行性。实验结果和统计检验分析表明,基于SPSSN的深度结构保持空谱特征提取算法在分类精度上明显优于其他同类型方法。3.设计了基于加权显著损失函数和注意力网络的空谱特征提取算法。卷积神经网络在高光谱图像特征提取中展现出了明显的优越性,其输入需要是一个形状规则的高光谱立方体小块。然而,在立方体小块中并不是所有像素都跟中心像素属于同一类别,这些异类像素会干扰模型学习特征,我们称其为干扰像素。为了弱化干扰像素的影响,我们引入注意力机制,提出了一个注意力网络用于提升模型判别能力。此外,针对高光谱图像中样本不均衡问题和难以正确分类的样本（难分样本）,对传统交叉熵损失函数进行改进,我们提出了一个加权显著损失函数,尽可能从难分样本和具有少量标记样本的类别中挖掘信息。实验结果和统计检验分析表明,所提算法能够有效增强深度空谱特征的表示能力,进而提高高光谱图像分类精度。