高光谱图像（Hyperspectral Imaging,HSI）数据可以基于连续的光谱波段捕获数据丰富的物化信息,即使物质间差异很小,基于高光谱图像也可以实现不同类别数据的鉴别。但高光谱图像中存在的阴影效应、光谱变异性、混合像元、光谱波段多等问题,限制高光谱图像的精确解译。虽然当前基于深度学习分类网络进行高光谱图像分类取得可观的效果,但部分网络仍存在参数量庞大、网络退化、边界吻合度较低等问题。针对上述问题,本文结合Li DAR数据与深度残差网络来加以处理,本论文主要研究包括以下两点。（1）针对高光谱图像中光谱波段多及光谱变异等问题,本文采用一种主凸包分析波段选择方法数据进行波段选择处理,在波段选择的同时保留原始的光谱数据,以此实现重要光谱特征的简约及光谱变异性的缓减,并缓解高光谱图像存在的混合像元及端元变异问题。（2）针对高光谱图像中存在的阴影效应,以及普通深度分类网络中存在的网络退化、边界吻合度较低等问题,本文采用融合Li DAR数据的高光谱图像三维残差网络分类算法。研究利用Li DAR数据来弥补高光谱图像的信息不足,以三维残差网络为基础对数据进行处理。网络中光谱残差模块和空间残差模块实现光谱数据和空间数据的特征学习,通过利用像元的空间距离和对应的高程信息建立相似性度量规则,对地物像元重新进行标签分类,提高分类精度。实验结果表明,本文研究的高光谱图像波段选择算法和基于三维残差网络的高光谱图像融合分类算法在三个公开的高光谱图像数据集上具有较高的分类准确率,得到的分类图像边界轮廓更准确,地物识别率更高,同时能够缓解高光谱图像中的阴影效应和光谱变异性和解决网络退化的现象。