随着遥感数据采集技术的快速发展和各个行业对遥感技术的需求增长,遥感数据从宽波段向窄波段发展,高光谱技术进入快速发展期,其光谱信息具有范围窄、波段多且连续等特点,使得地物在狭窄波段吸收/反射峰特征差异显著。模式识别、机器学习和深度学习等技术方法是在遥感探测技术不同发展阶段逐步引入到遥感数据处理与分析中。传统的高光谱图像地物分类方法往往对空间信息利用不足,且在空间信息挖掘中具有很大的随机性。由于机器学习算法具有强自动特征学习的优势,本文比较不同机器学习算法在高光谱图像地物分类的优劣,为地物的识别与分类提供科学依据和实践参考。本文围绕不同机器学习算法特点,对高光谱图像分类进行了比较研究,论文的主要研究工作如下:(1)详细地介绍了高光谱遥感图像的特征和高光谱图像分类的原理、流程和发展。(2)运用深度学习中的门控神经网络进行地物高光谱图像分类,首先对数据进行去噪处理和波段选择,然后进行门控神经网络分类,以序列信息的模式提取空间信息。结果表明:门控神经网络在高光谱图像分类方面具有良好的性能。分类精度优于支持向量机、随机森林、长短时记忆网络和卷积神经网络等分类器。(3)提出了融合三维卷积神经网络和门控神经网络模型,利用三维卷积对高光谱图像进行特征提取,利用空洞卷积和大步长滑动方式抑制高光谱图像相邻波段高相关性问题,运用门控神经网络避免全连接层对空间信息的破坏问题,从而达到有效融合光谱和空间信息进行地物分类的目的。结果表明:多模型融合的地物分类精度由于单一的卷积神经网络模型。