高光谱图像包含丰富的空间与光谱信息,在获取地表图像的同时获取地物上百个波段的连续光谱,与普通彩色图像和灰度图像相比在分类任务中有更明显的优势。能否有效利用高光谱图像的空间信息和光谱信息是实现高精度分类的主要影响因素。此外高光谱图像的空间分辨率相对较低,成像质量较差,同样影响着高光谱图像的应用效果。针对上述问题,本文研究了高光谱图像的增强算法,并探究主成分分析网络在高光谱图像分类中的应用和优化方法,利用空间-光谱信息进行分类。主要工作如下:（1）提出了一种基于核主成分分析网络的高光谱图像分类方法。主成分分析网络在图像分类与识别任务中具有良好的表现,可以通过简单的结构提取图像的深度特征。该方法将主成分分析网络应用于高光谱图像分类并进行了网络的改进,包括引入核函数以及网络参数的优化,并对邻域像元进行了结合。核函数的引入,增强了网络的非线性拟合能力,使之能够在高光谱图像分类中有更好的表现;通过结合邻域像元光谱利用了空间信息,增加了提取特征的深度。在三种高光谱数据上的分类均取得了较高的精度,证明了本文对网络改进的有效性。（2）进行了基于图像超分辨率重建的高光谱图像增强与分类研究。将两种基于深度学习的超分辨率方法用于高光谱图像的增强,并在增强图像上进行分类实验。结果表明增强后的图像能够保持像元的光谱信息且分类精度明显增加,此外基于极深超分辨率网络的增强效果和分类精度均优于基于卷积神经网络超分辨率方法。（3）提出了一种增强图像的空谱核主成分分析网络分类方法。该方法将极深网络超分辨率方法用于高光谱图像增强,并利用空谱核主成分分析网络分别提取空间特征和光谱特征进行分类。空谱信息的结合使提取的特征更丰富,能够充分表达高光谱图像的数据特征;同时进行的邻域修正减少了错分产生的噪声现象,相同区域类别更加统一,分类精度更高。与流行的优秀算法相比也表现出了明显的分类优势,验证了本方法的先进性和有效性。