近年来,高光谱图像分类成为一个研究热点。与传统的黑白双通道图像和R、G、B三通道图像不同,高光谱图像在光谱维度上有多个通道,每个通道捕获特定波长的光。因此,高光谱图像数据集通常是三维的,包括图像的长、宽以及光谱维度的高。在实际应用当中,像素级分类（pixel-wise classification）技术是重要的核心环节。像素级分类是利用相邻像素的空间相关性和光谱信息的特征,对图像中的每个像素点所对应的物质的属性进行归类。这项技术在民用和军用领域有着巨大实用价值,如农作物病虫害检测、地质勘探、环境检测和战场伪装目标侦察等方面。该技术也是高光谱感知领域的研究热点之一,目前针对高光谱图像像素级分类已经诞生了很多算法。然而随着光谱分辨率的提升,包含上百波段的高维高光谱图像增加了数据分析的难度和计算复杂度,传统的分类方法无法很好地适用于高维空间。因此,寻找合适的分类算法成为当务之急。深度学习已被公认为是有效解决非线性问题的强大工具,相关理论已经应用在机器视觉、自然语言处理等领域。卷积神经网络作为深度学习领域的代表算法,已广泛用于许多图像处理任务中。面向高光谱图像闭合集分类,本文结合三维卷积神经网络（3D-CNN）提出了一种全新的高光谱图像分类模型。通过三维卷积可以提取高光谱图像中的光谱信息和空间信息,合理利用高光谱图像“图谱合一”的优势,实现闭合集上高光谱图像的高精度像素级分类。基于帕维亚大学（Pavia University）高光谱图像数据集构造闭合集来评估提出的分类模型,该模型在闭合集上取得了平均98%的预测准确率。面向高光谱图像开放集分类,本文引入领域自适应技术,结合生成对抗网络算法可以将图像中的已知类与未知类区分开,实现开放集上高光谱图像的高精度像素级分类。与其他基于深度学习的分类方法相比,该模型具有通用性、普适性、训练过程中所需参数较少,训练时间较快等优点。在实验当中,基于帕维亚大学（Pavia University）高光谱图像数据集和萨利纳斯（Salinas）高光谱数据集构造开放集,来验证提出的开放集分类模型。该模型对未知类别的分类准确率在Pavia U和Salinas上分别为87.16%和99.4%。本文提出的高光谱图像分类模型可以分为两个阶段:训练和推理。两个阶段都需要大量计算,需要在高性能处理器或图形处理器上运行,这就造成了功耗过高的问题,增加了计算成本。此外,高光谱图像一般通过遥感观测获得,相关处理平台需要布置在无人机或者卫星上,这就对处理平台的功耗及便携化提出了严苛的要求,卷积神经网络过高的功耗限制了其在嵌入式设备等低功耗应用场景中的部署。因此,高能效比的卷积神经网络加速器的设计成为一个新的研究热点。本文结合FPGA（Field-Programmable Gate Array,现场可编程门阵列）高能效比、灵活性高、普适性好的特点,研究基于FPGA的卷积神经网络加速器,验证了对高光谱图像分类识别算法进行硬件加速的有效性和可靠性。