近年来,高光谱遥感图像（HSI）的分类问题逐渐成为遥感领域的一个重要课题,由于其在精准农业、军事识别、环境监测等领域得以广泛应用,所以提高遥感图像的分类性能、推动高光谱遥感图像分类技术的发展具有重要意义。在分类任务中的最为关键的步骤是特征提取,然而在传统的分类算法中,常出现特征抽象度低、泛化能力差、计算量大等问题。近年来基于卷积神经网络的高光谱遥感图像分类算法在对深层特征提取方面取得了很大的成就,有效地缓解了传统算法所面临的问题。同时对于高光谱图像特征提取,在光谱特征提取和空间特征提取两个方面仍然有宽广的研究空间。一方面,在高光谱图像高维的波段数据中,并非所有波段都具有相同的信息量和分类贡献度,在许多的高光谱遥感图像实际应用中,十分需要高效化的特征提取与分类算法。另一方面,在不同位置的高光谱图像空间信息在特征提取中同样对分类结果有不同的贡献度问题。本文针对以上两方面的问题开展了基于卷积神经网络的光谱波段加权与空间加权的模型研究与设计。论文主要完成的工作如下:（1）针对高光谱图像分类任务中光谱波段信息贡献不平等的问题,提出了一种轻量化的基于卷积神经网络的紧凑型波段加权模块（CBW）,该模块通过捕获和聚集相邻波段之间的相关性,对光谱波段信息进行重新校准,增强高贡献并抑制低贡献的波段信息,从而提升高光谱图像分类的精度。通过优化设计,该模块所需的可调参数数量只需20个,远小于现有相关模块的参数数量,大幅度提升计算速率的同时,拥有相比于其他波段加权算法更明显的分类精度提升效果。（2）针对高光谱遥感图像空间分辨率高的特征,以及现有空间加权算法忽视了对不同尺度感受野中特征提取的问题,本文设计了一种基于卷积神经网络的多尺度空间加权模块（MSW）,该模块利用多尺度特征相融合的策略,将不同尺度的空间相关性特征进行融合,并且在各空间尺度特征的提取过程中,采用多层融合策略提取多尺度多深度的空间特征,来提高空间加权对特征提取的积极影响。通过在三个数据集上的实验验证,该模块具有更好的空间加权效果,可更明显的提升分类网络的分类精度。（3）从光谱加权与空间加权同步协作提升特征提取效果这一角度出发,结合上述轻量化波段加权的结构与多尺度空间加权的功能,提出了自适应空谱加权模块。该模块同时具有波段加权和空间加权两个方面的功能,可从光谱波段和空间两个角度对特征进行加权,并且在整个过程中具有自适应调节的功能。在三个数据集上进行实验验证,证明了自适应空谱加权模块相比于其他相关加权算法在精度提升效果上的优越性。本文分别从波段加权、空间加权以及空谱加权三个研究角度出发,提出一种轻量化的基于卷积神经网络的紧凑型波段加权模块、一种基于卷积神经网络的多尺度空间加权模块和一种自适应空谱加权模块,并通过实验证明算法的性能,为高光谱遥感图像分类算法研究提供了新的研究思路。