多光谱和高光谱数据可反映丰富的光谱信息,在遥感地物分类中有着优异的表现,然而,由于仅包含光谱信息,多/高光谱对“同谱异物”的目标区分能力有限。数字表面模型等多种数据中包含着地表目标高精度的高程信息,然而对于地物分类任务而言其信息丰富度不足。多/高光谱和高程数据在信息上存在很强的互补性,它们的联合利用是进一步提高分类性能的可行方向,但两类数据的差异也为特征提取、联合及分类带来了困难。本文从多/高光谱和高程数据特征层面的联合利用出发,基于深度神经网络构建了多/高光谱与数字表面模型的联合分类模型,利用深度神经网络的特征学习和强大的表示能力,更有效地完成了对两类数据的信息处理,达到了进一步提高分类精度的目的。论文的研究内容主要包括一下几个方面:首先,探究了基于卷积神经网络的多/高光谱和数字表面模型数据的深度特征提取方法。考虑到邻域信息对地物分类的重要性,本文选择使用擅长挖掘局部关联信息的卷积神经网络提取多/高光谱数据的空间-光谱和数字表面模型数据的空间-高程信息。通过实验可验证深度特征提取网络在两类数据上的表现均优于多种典型遥感数据特征提取方法,是一种有效的特征提取模型。其次,基于多层全连接神经网络完成了对光谱和高程特征的联合分类。两类数据经卷积神经网络提取的特征被组织成一个包含了空间,光谱和高程信息的特征向量,一个多层全连接神经网络被设计并用于对这个向量进行非线性映射并完成分类。实验证明构建的多层网络与包括支持向量机在内的浅层分类器相比,对联合特征有更好的分类能力。最后,探究了深度神经网络与稀疏表示理论相结合的联合分类方案。通过字典学习和稀疏编码,对全连接神经网络的输出再次进行特征提取,得到冗余更少、可分性更强的稀疏系数特征。稀疏系数特征被送入支持向量机进行分类,并得到了与深度联合分类模型相比更精确的分类结果。