高光谱图像分类在环境监测、农业、海洋等领域都有着重要的作用,其中包含的目标光谱信息和空间位置信息,是分类的关键所在。近年来,深度学习的方法在对高光谱图像分类方面表现出了很好的性能。特别是卷积神经网络能够实现对空间和光谱特征的提取,但是为了提取这些特征,卷积神经网络往往需要较深的网络层数和大量的训练数据,这使得网络训练速度减缓,此外卷积神经网络虽能提取空间-光谱特征,但它无法获取目标间的相对空间位置关系。胶囊网络不需要很大的训练样本就能提取到位姿信息并建立局部与整体之间的层次关系,但是它受网络结构制约,对简单的特征提取能力有限。本文针对卷积神经网络和胶囊网络各自存在的不足,提出了一种将两者结合的通用网络架构卷积-胶囊网络。它增加了网络中卷积层的个数,因此更擅长于对信息进行提取。为了使它在处理高光谱图像分类问题时更具有针对性,以获得更好的分类效果,本文在此通用模型的基础上进行了具体的设计和改进。它用三维卷积取代常用的二维卷积,因而能克服卷积神经网络在提取特征信息时所受到的网络层数限制,不需要过深的网络就能提取目标的空间、光谱等特征,而且由于结合了胶囊层,它还能提取其它神经网络算法难以提取到的目标间的相对空间位置特征,并得到局部特征与整体特征的层次表达。文中还针对该网络模型,对Hinton等人提出的损失函数进行了优化,设计了一种能够更好地衡量网络稳定性的损失函数,这有利于及时对网络进行调整,得到更优的实验结果。此外,为了减少网络运行过程中因冗余数据为分类准确率带来的影响,本文还提出了一种能够在一定程度内减少高光谱图像中冗余数据的划分方法。它通过对数据集中不同类别的数据进行分离和边缘提取等操作,减少了训练中出现的冗余数据,提高了实验结果的准确性和真实性。实验结果表明卷积-胶囊网络在Indian Pines数据集上整体达到了优于91%的分类准确率,并在大部分类上达到了高于98%的准确率,达到了目前已有的高光谱图像分类方法中比较好的性能。