高光谱图像（Hyperspectral Images,HSI）分类已成为遥感领域的一个热点。高光谱数据的复杂性使得传统方法难以对此类数据进行精确分类。深度学习作为一种能有效解决非线性问题的强大特征提取工具,被广泛应用于HSI分类中,并表现出良好的性能。然而,现有的深度学习方法仍然存在空间光谱信息丢失和光谱上下文信息提取不足等问题。为了充分挖掘空间信息和光谱信息之间的内在关系,提取更易区分的判别性信息。本文在三维卷积神经网络（3D CNN）的基础上,结合双向长短期记忆（Bi-LSTM）网络、密连网络（Dense Net）等深度学习的方法,进一步提高了HSI的分类准确率。主要研究工作如下:（1）为了提高HSI空间和光谱信息的利用率,本文提出了一个基于3D CNN和波段分组Bi-LSTM的网络框架。在该框架中,为了充分利用光谱波段之间的紧密联系,将光谱数据被视为时序数据,使用Bi-LSTM网络作为此框架的光谱特征提取器。由于3D CNN在处理三维数据方面具有独特的优势,该框架使用3D CNN作为空谱特征提取器。最后,为了同时优化两个特征提取器的参数,Bi-LSTM和3D CNN共享一个损失函数来训练网络。该框架在三个数据集上与先进的方法对比,获得了更加精确地分类结果。（2）为了避免在特征提取阶段的信息丢失,本文提出了一种基于多分支三维密集连接网络的HSI分类方法。该网络能够充分挖掘HSI中的空谱信息,利用不同大小的卷积核和密集连接网络提取更加丰富的空谱特征。随后使用空间注意力机制增强空间特征,为HSI分类提供更易识别的空间特征。该方法使用全局平均池化来代替全连接层,减少整个网络的参数量。为了评估本方法的性能,在三个数据集上进行HSI分类测试,实验结果证明了该方法的有效性。