高光谱图像是一种新型三维立方体图像,拥有丰富的空间显示信息和高维的连续光谱信息。与其他遥感图像数据相比,高光谱图像更适合于特征识别和精细分类。通过分析光谱和空间信息对高光谱图像进行分类,以确定最突出的特征,再进行分类系统建模,让单个图像元素被赋予适当的类别属性。然而,高光谱图像存在波段多、标签样本少、高光谱分辨率,以及同谱异物与同物异谱的情况,这给高光谱图像分类带来了巨大的挑战。针对上述问题,本文基于轻量级多尺度空谱特征融合的角度展开了如下研究:（1）在高光谱图像存在的同谱异物和同物异谱的情况下,为了提取更具有判决力的高光谱图像特征,并防止网络因加深导致退化,在新维度残差网络（Res2Net）和压缩激活网络（squeeze and excitation network,SENet）的基础上,本文提出新型多尺度特征提取模块SE-Res2Net,并设计多尺度空谱融合注意力模块。为了克服网络加深带来的退化问题,SE-Res2Net模块利用通道分组提取高光谱图像细粒度的多尺度特征得到多个不同粒度的感受野,并采用通道优化模块从通道层面量化特征图的重要性。为了进一步从空间维和光谱维同时优化特征,构建多尺度空谱融合的注意力模块,利用非对称卷积在不同尺度上挖掘不同空间位置和不同光谱维特征的关系,不但能减少计算量,还能有效地提取具有判决力的空谱融合特征,从而提高高光谱图像分类的准确度。在3个公共数据集Indian Pines,University of Pavia和Grss＿dfc＿2013上的对比实验表明,与其他较新的深度网络相比,该方法具有更高的总体精度（overall accuracy,OA）、平均精度（average accuracy,AA）和Kappa系数。（2）为了解决普通卷积神经网络造成特征冗余,产生大量训练参数,增加计算成本的问题,本文提出了基于虚实结合多尺度信息融合的高光谱图像分类方法,设计了一个轻量级的虚实结合3D卷积模块,该模块将3D卷积与可分离3D卷积相结合,得到实和虚两种特征进行融合,有助于减少对计算性能的过度使用。在该模块中,利用多个不同尺度的虚实结合3D卷积模块进行多尺度空谱融合特征的提取。同时,为了分别从空间维和光谱维对高光谱图像进行特征增强,采用带有非对称卷积的多尺度空谱融合注意力模块效以克服同物异谱和同谱异物的影响。使用四个公开可用的高光谱图像数据集进行了对比实验,显示了本文设计的虚实结合多尺度信息融合分类方法能实现更高效的分类性能。