高光谱图像拥有丰富的空间信息和广泛的谱段信息,一些地面目标在宽波段遥感图像中不能被辨别,却可以通过具有广泛谱段信息的高光谱图像正确识别,正因为高光谱图像的此类优点,其可以广泛应用于矿产勘探、农业规划、地质勘测以及灾害预警等领域。基于高光谱的空间信息与光谱信息优势,高光谱图像表现出其光谱维数众多、各个谱段相关性较强、高光谱数据量大并且人工标记好的样本数量往往比较少,毫无疑问导致了处理高光谱图像识别任务时的困难性。目前卷积神经网络作为深度学习的代表性方法在高光谱图像分类中广泛得到应用。然而,卷积神经网络的超参数(如卷积核数量,卷积核尺寸)以及网络结构需要根据经验设定,导致其常与实际问题不匹配从而影响了分类精度。此外,由于网络模型参数较多(特别是当网络层数较深时),使得模型训练需要耗费大量的时间。本文针对上述问题,重点研究卷积神经网络的超参数和结构的自适应确定方法,从而提高高光谱图像分类的精度与时效性。本文完成的主要内容和创新工作如下:(1)现有卷积神经网络卷积核数量常经验确定,难以与任务相匹配,影响了应用时的分类精度。针对这一问题,本文提出了一种自适应确定卷积核数量的高光谱图像卷积神经网络分类方法。首先提出了一种基于聚类的卷积核数量自适应确定方法,从选取的图像块中可以自适应确定卷积核数量;并针对卷积核确定不准确问题,又提出了一种基于图像块相似性与密度联合度量的卷积核生成算法,提高了卷积核的准确度。在Indian Pines和Pavia University高光谱数据上的实验结果表明,相比经验确定卷积核数量的卷积神经网络方法,本文所提方法具有较高的高光谱图像分类精度。(2)现有卷积神经网络卷积核尺寸常常人工确定,难以与数据复杂度相适应,降低了分类精度。针对这一问题,本文提出了一种自适应确定卷积核尺寸的高光谱图像卷积神经网络分类方法。该方法首先提出了一种基于重加权距离测度的卷积核尺寸自适应确定方法,可自动确定卷积核尺寸;并通过卷积神经网络的训练学习,对高光谱图像进行了分类,提高了分类精度。通过不同高光谱图像公共数据集上的实验,验证了本文所提方法较经验选择卷积核尺寸的卷积神经网络方法,具有优越性。(3)现有经验设定的卷积神经网络卷积层数量与分类问题复杂度不符,导致网络分类效果下降。针对这一问题,本文提出了基于网络结构自适应的高光谱图像卷积神经网络分类方法。该方法基于遗传算法优化卷积神经网络的卷积层数量和连接方式,从而构成与问题复杂度相符的网络结构,提高了网络的分类精度。在Indian Pines和Pavia University高光谱图像公共数据集中的分类效果表明,本文提出方法取得了较高的高光谱图像分类准确率。(4)卷积神经网络训练过程中,容易出现“梯度消失”,影响网络收敛速度。针对这一问题,本文提出了一种基于神经元激活约束的高光谱图像卷积神经网络分类方法,可加速网络收敛。该方法提出将神经元激活约束应用于网络训练过程中,较好解决了误差反向传播时的“梯度消失”问题,提高了网络的收敛速度。在不同高光谱图像公开数据集上的实验结果表明,本文所提方法具有较快的卷积神经网络训练速度;通过不同非高光谱图像分类数据中的实验结果,验证了本文提出方法在不同网络模型中的有效性。