近年来深度学习模型在高光谱遥感图像分类中表现出了良好的性能,卷积神经网络（Convolutional Neural Network,CNN）因其强大的特征提取能力而受到广泛关注。基于CNN的分类方法通常具有复杂的网络结构,需要大量的样本来进行训练,而标记样本数量有限是高光谱遥感影像分类领域中一个无法避免的问题。同时,CNN通常会使用最大值池化操作降低计算量,提高特征的不变性,从而捕获更具有判别力的特征,但同时也会丢失地物对象特征之间的空间关系。因此,CNN只能学习到高光谱遥感影像的浅层空间特征,而忽略了对于识别复杂地物非常重要的空间关系和空间格局知识。此外,CNN使用标量对特征进行表示,对于复杂的高光谱遥感影像而言特征表示能力比较弱。本文从高光谱遥感影像的特点出发,引入胶囊神经网络（Capsule Neural Network,Caps Net）进行高光谱遥感影像分类研究,在充分利用空间-光谱特征知识的基础上,深入挖掘高光谱影像中隐含的地物之间内在的深层机制——空间关系和空间格局知识,探索Caps Net在高光谱遥感分类领域的潜力,相比于现有的CNN模型,模型分类精度以及泛化能力都有了很大的提升。本文主要研究内容和成果包括以下三个方面:（1）实现了引入注意力机制的非局部胶囊网络（Non-local Caps Net,NLCaps Net）高光谱遥感影像分类方法。由于Caps Net的网络比较浅,难以获取全局信息,对于地表环境复杂的高光谱遥感影像,仅仅提取局部信息不能得到很好的分类结果。本文将注意力机制与Caps Net相结合,引入non-local模块以获取更多重要的目标信息,并对高光谱遥感影像不同像元之间的长距离相关性进行建模,帮助Caps Net在浅层获取全局信息,利用输入图像的全局信息对遥感影像进行分类,当在训练样本比较少时取得了比较好的分类结果。在Kennedy Space Center（KSC）、Pavia University（UP）和Salinas（SA）三个数据集上选择10%训练样本时,NLCaps Net的分类精度分别达到了98.86%、99.83%以及99.95%。（2）实现了基于局部路由的深度卷积胶囊网络（Deep Convolutional Caps Net,DC-Caps Net）高光谱遥感影像分类方法。针对Caps Net中的胶囊网络层参数量过多的问题,本文引入局部连接和权值共享构建了3D卷积胶囊层,提出了深层卷积胶囊网络,在加深网络的同时有效控制了模型参数量,并基于反卷积层提出了一种轻量化的解码网络作为正则化策略,缓解了训练样本数量不足时过拟合的风险。在KSC上选择3%训练样本、UP和SA上选择0.5%训练样本时,DC-Caps Net的分类精度分别达到了95.97%、96.71%以及97.14%。（3）实现了基于特征聚合的多尺度深度特征聚合胶囊网络（Multi-scale Deep Feature Aggregation Caps Net,MS-Caps Net）高光谱遥感影像分类方法。MS-Caps Net引入残差连接,提出了胶囊残差块,从多尺度特征聚合的角度出发,基于3D卷积胶囊层构建了深度局部特征提取模块和深度全局特征提取模块,实现了对目标地物光谱特征、局部空间特征和全局空间特征的同步提取。此外,在MS-Caps Net的网络浅层引入SE模块对模型提取到的浅层特征进行优化精炼,大大提高了模型的特征提取能力和泛化能力。在KSC上选择3%训练样本、UP和SA上选择0.5%训练样本时,MS-Caps Net的分类精度分别达到了97.67%、97.58%以及97.84%。