随着卫星技术的发展和空间及光谱技术水平的提高,越来越多的高光谱图像数据需要快速处理,它包含了紫外、可见光、短波红外波段中数百个光谱波段,包含了丰富的地物空间特征,与全色和多光谱遥感图像相比,高光谱遥感图像的光谱分辨率更高,能够为地物分类提供更为精细的数据。高光谱遥感图像分类是其应用的重要环节,被广泛应用于环境变化监测、农业种植评估、气象预测预报、现代化军事、自然资源勘探等领域。传统的高光谱图像分类方法虽逐渐趋向成熟,但这些方法均是采用手工特征提取的方式,特征的表达能力有限,且泛化能力较弱,不能满足分类任务的高精度需求。近年来,深度学习在计算机视觉领域取得了显著进展,采用深度学习方法进行高光谱遥感图像分类是当前研究热点,与传统的高光谱遥感图像分类方法相比,深度学习模型与人类视觉系统的处理机制相似,通过层级感知网络结构,能够自动地学习并提取图像的高层语义信息,实现过程更智能、更灵活。尽管目前深度学习方法在此领域取得了巨大的进展,但是也面临着严峻的挑战。如高光谱遥感图像的空谱特征不能被有效提取、有标签样本过少、波段众多且冗余性较大、同物异谱及同谱异物现象等一系列问题,这些问题的存在推动了研究人员对此领域进行进一步地探索。卷积神经网络(convolutional neural network,CNN)是深度学习领域非常重要的一种网络结构,在高光谱遥感图像分类领域展示了非常优越的性能。目前,尽管已有很多的基于卷积神经网络的高光谱遥感图像分类方法,然而对于这些方法特征提取能力的详细比较和分析却未见报道。因此,本文构建了三个卷积神经网络模型组,实现了对不同类型卷积神经网络的高光谱遥感图像特征提取能力的比较和分析。为了解决高光谱图像分类中空谱特征不能有效地提取以及提取过程中存在大量冗余信息的问题,文章构建了基于空谱密集连接策略和空谱注意力机制的高光谱遥感图像3D CNN分类方法。为了解决高光谱图像分类中细节信息随着模型加深而丢失、有标签样本数量过少、且不同样本类别之间存在着数据不平衡的问题,文章提出了基于数据平衡扩增策略及空谱残差分型结构的高光谱遥感图像3D CNN分类方法。实验结果证明了文章提出的三维卷积神经网络对高光谱遥感图像分类而言具有明显的优势。本文的主要研究内容和创新点介绍如下:(1)构建了三个卷积神经网络模型组,实现了对不同类型卷积神经网络的高光谱遥感图像特征提取能力的比较和分析。不同模型组均由基于光谱特征(1D CNN)、空间特征(2D CNN)以及空谱特征(1D+2D CNN、3D CNN)的卷积神经网络构成,每个模型组具有不同的特点:第一个模型组为全卷积结构;第二个模型组采用了卷积层、池化层以及全连接层;第三个模型组采用了不同大小的卷积核。在Indian Pines、Pavia University、Kennedy Space Center三个高光谱遥感图像基准数据集上进行训练和测试,实验结果证明,基于3D CNN的高光谱遥感图像分类模型,在不同的评价指标(总体精度、平均精度、Kappa系数)下,取得了远超基于其他类型卷积神经网络的性能表现。不同网络模型对高光谱遥感图像特征提取能力的比较为基于三维卷积神经网络的高光谱遥感图像分类模型的构建提供了支撑。(2)构建了基于空谱密集连接策略和空谱注意力机制的高光谱遥感图像3D CNN分类方法。设计了空谱密集连接策略,该策略能够对高光谱遥感图像空谱特征进行有效提取;提出了空谱注意力机制,它能够激活高光谱遥感图像中有用空谱信息、并抑制无用空谱信息;采用了数据扩增、批归一化、Dropout、指数衰减学习率、L2正则化等一系列优化方法,实现了高光谱遥感图像的高精度分类。在两个高光谱遥感图像基准数据集(Indian Pines和Pavia University)上,该方法的总体精度、平均精度以及Kappa系数均超过了99%,这一性能表现超过了大部分现有算法,证明了本文所提出算法的有效性和先进性。(3)提出了基于数据平衡扩增策略及空谱残差分型结构的高光谱遥感图像3D CNN分类方法。提出了数据平衡扩增策略,能够增加有标签样本数量并解决不同类别样本之间数量不平衡的问题;设计了空谱残差策略,该策略能够在轻量化参数的情况下有效提取高光谱遥感图像的特征;提出了空谱分型结构,它能够增加模型宽度并且防止细节信息丢失;设计了空谱维度变换模块,该模块能够有效降低高光谱遥感图像特征图维度。在三个基准的高光谱遥感图像数据集(Indian Pines、Pavia University以及Kennedy Space Center)上,提出的方法的总体精度、平均精度以及Kappa系数均超过了99%,达到了目前的领先水平。