随着高光谱遥感技术的飞速发展,高光谱遥感在遥感领域扮演着越来越重要的角色,并且已经广泛的应用与于地质勘探、精细农业、环境监测等多个领域。高光谱遥感数据具有波段多、高光谱分辨率、高空间分辨率等特点。在对高光谱图像进行一系列的分析和处理时,可以利用其丰富的光谱信息和空间信息。从高光谱数据中提取有效的特征,并结合其光谱信息和空间信息来进行分类是高光谱研究中最常见的任务。本论文主要采用基于旋转的深度森林、深度边缘保持滤波和基于随机块卷积特征提取的空谱分类方法对高光谱数据进行分类。利用空间信息和输出概率向量信息,进一步提升高光谱数据的分类效果和效率。论文的研究内容主要包括以下方面:1.在遥感领域,基于卷积神经网络的方法被用来处理很多具有挑战性的任务,其中也包括高光谱图像分类。然而,深度模型的训练非常耗时并且需要大量的标签样本,高光谱图像少量具有标签的样本限制了深度模型的分类性能。论文提出一种基于旋转的深度森林分类方法,使用旋转森林对高光谱图像进行旋转变换生成新的特征,采用多层结构的思想,结合新特征和每一层输出的概率向量作为下一层的输入,每一层中引入相邻像素来加入数据的空间信息。提出的方法巧妙的结合了高光谱图像的空间特征和输出概率向量特征,并取得了较好的分类效果。2.采用边缘保持滤波的方式对输出概率向量进行滤波,能有效地去除概率向量的噪声,提升分类效果。论文提出的深度边缘保持滤波是一种新型的基于滤波的高光谱图像分类算法。首先,用基于径向基函数的SVM对高光谱图像进行分类,得到分类概率结果图,把分类概率结果图中的每一维进行边缘保持滤波;然后,深度边缘保持滤波也采用多层结构的思想,每一层都采用基于径向基函数的SVM作为分类器,把滤完波的分类概率特征与原始特征组合成下一层的输入。输出概率向量经过滤波后不仅对分类效果有一定的提升,而且还富含样本的特征,与原始特征组合一起会进一步提升高光谱的分类精度。3.高光谱图像含有丰富的空间信息,从高光谱图像中随机选取一定数量的随机块和其本身进行卷积能有效地提取高光谱图像的空间特征。论文提出一种新型的基于随机块卷积特征提取的空谱分类方法,从降维后的高光谱图像选取随机块进行卷积,将提取的空间特征与光谱特征结合并引入相邻像素,再次利用空间信息提升分类效果。