遥感技术的逐年发展使得遥感图像逐渐出现高分辨率与多波段的特点,其中高光谱图像凭借其多维结构具备了丰富的地物信息,成为学术界的研究热点。目标物检测与分类作为高光谱遥感技术的基础,在地球观测领域中具有极高的应用价值。国内外学者利用传统图像处理算法和机器学习算法在高光谱图像分类任务上取得了一定的成果。近年来,随着GPU算力的大幅提升和大数据时代的到来,深度学习算法展现出了更为优异的分类性能。但是与普通遥感图像不同的是,高光谱遥感图像中的样本普遍包含高维特征,以及丰富的空间和光谱信息,这大大增加了特征选择和挖掘的难度、计算复杂度,进而影响目标的识别效果。同时,由于高光谱数据标记成本高昂,导致了带标签数据有限、样本中各类别带标签目标物分布不均匀的情况,从而提高了模型训练的难度。本文聚焦于如何高效地从有限训练样本中提取更为丰富的图像特征,利用具有阈值策略的多尺度混合结构卷积神经网络,实现模型在降低计算量的前提下,进一步提高分类准确度。首先,本文提出了一种全新的阈值卷积神经网络,其核心思想是设置一个阈值,以消除大量冗余特征并降低计算复杂性。具体而言,对于卷积后的特征图,通过sigmoid函数将权重映射到[0,1]的区间并与设置的阈值进行比较,对低于阈值的特征,将其权重值设置为0进行消除,对于高于阈值的特征将其权重值设置为1进行增强。接下来通过充足的对比实验,对阈值神经网络进行了验证,充分证明了阈值策略的有效性。其次,由于空洞卷积神经网络能够在扩大感受野的情况下降低空间特征的损失,获取远距离特征,但简单多次叠加会导致感受野不连续的问题,因此本文用传统卷积与空洞卷积相结合的方式解决该缺陷。接下来,根据多尺度结构能够获得不同的感受野、在不同尺度上捕捉图像信息的特点,设计并构建多尺度混合空洞卷积模型。最后,在此基础上引入阈值策略形成本文最终的TSHC-Net。本文模型最大的优点是可以提取不同尺度的高光谱图像特征,从而使滤波器能够在使用有限带标签训练样本的情况下,提取和学习更丰富的图像信息,并通过阈值策略消除冗余特征、增强有效特征。为了验证TSHC-Net的优越性,本课题通过3个特点各不相同的数据集、6个较为先进的对比模型以及3个评价指标对其分类精确度进行综合判断,并通过模型参数总量对其计算复杂度进行评价。实验结果表明,新模型能够在降低计算复杂度的情况下,进一步提升高光谱图像目标物分类精度。