高光谱遥感作为一种重要的遥感技术在地质监测、资源勘探、灾害防治等领域中都发挥着重要的作用,而高光谱图像分类作为高光谱遥感技术中的关键步骤具有很高的研究价值。高光谱图像因其高分辨、图谱合一的特点能为地物目标的识别与分类提供丰富的判断依据,但同时也面临着噪声污染、人工标记成本高、特征提取困难和“维数灾难”等诸多问题。基于低秩表示的方法可以有效去除高光谱图像中的噪声,提高样本的一致性,但该方法面临着算法普适性差,低秩表示获取困难的问题。另一方面,具有自适应特征提取能力的深度学习模型具有很好的易用性和泛化性,但其分类性能很大程度地取决于训练样本的质量和数量。这两类方法能很好地实现优势互补,因此本文将这两类方法结合起来用于高光谱图像分类,并完成了以下工作:提出了一种基于结合低秩与稀疏信息的卷积网络的高光谱图像分类方法,旨在解决传统低秩方法中,因低秩子空间估计的操作复杂导致的计算成本高,泛化能力差的问题。该方法利用一个双分支卷积神经网络同时对高光谱图像的低秩部分和稀疏部分进行特征提取,并构造融合特征用于分类。该操作一方面确保了低秩子空间估计不准确情况下本真信息的完整性,使得复杂的低秩子空间估计操作可以被省略。另一方面通过多特征融合促进了模型分类精度和鲁棒性的提升。提出了一种基于自适应低秩表示提取卷积网络的高光谱图像分类方法,旨在解决现有两阶段的低秩表示分类模型具有的高延迟和计算资源浪费的问题。该方法将样本的低秩表示提取与基于低秩表示的分类整合到一个端到端的神经网络模型中,并设计了一种基于权重迁移的网络训练方式和一种基于空间信息和类别信息的低秩表示提取方法确保网络的低秩表示提取能力。该操作一方面解决了传统低秩表示方法无法直接对原始数据进行分类所带来的高延迟问题,另一方面利用神经网络的自适应特征提取能力,节省了人工提取低秩表示的计算成本。提出了一种基于低秩表示和多网络融合的高光谱图像分类方法,旨在解决传统低秩方法面临的“维数灾难”问题以及神经网络模型因训练样本数不足导致的过拟合问题。该方法通过对高光谱图像的低秩表示在光谱维度上进行等间隔划分,得到若干个低分辨的子图,并设计多个轻量卷积网络分别对各子图进行特征提取,最后用三个不同的融合策略融合多个子网络的输出得到最后的分类结果。该操作一方面在确保光谱信息完整性的前提下降低了光谱特征维度,扩充了训练样本,使后续的神经网络模型能得到更充分的训练。另一方面引入集成学习的思想,通过多网络融合降低模型分类的偏差,使模型在实现高精度分类的同时具有很好的鲁棒性。本文在三个高光谱图像数据集上验证了上述方法的有效性,并通过与现有优秀高光谱图像分类方法的对比实验证明了本文方法在分类性能方面的优势。