随着高光谱遥感成像技术的发展,高光谱遥感图像的各类处理问题已成为遥感领域的重点研究方向,而高光谱图像分类更是重中之重。不同于自然图像或多光谱图像,高光谱图像拥有更丰富的光谱信息与空间信息可用于分类,但丰富的信息犹如一把“双刃剑”,能够帮助高光谱图像分类的同时,也造成了信息过量和冗余的问题。因此,如何利用这些信息,使其发挥最大作用来提升图像分类结果,成为了高光谱图像领域的研究热点。同时,在利用深度学习获得优良的高光谱图像分类效果时,如何通过简化网络复杂度来节约时间成本也是学者们在研究过程中必须考虑的问题。为了研究如何充分利用并融合光谱信息与空间信息,以及如何利用主成分分析网络(Principle Component Analysis Network,PCANet)这一简化的深度学习模型提取出高光谱图像更丰富的深度信息,从而取得很好的分类效果。本文提出了几种基于PCANet的高光谱图像分类方法,主要工作如下:(1)提出了一种基于空间坐标与PCANet的高光谱图像分类方法,该方法将空间坐标作为低维特征,并利用PCANet对低维特征进一步提取深度特征,对高光谱图像的特征利用十分充分。同时,该方法采用边缘保留滤波方法有效解决了空间坐标对于样本量偏少或样本分布较分散的地物类别分类效果不足的问题。与其他现有方法相比,该方法很够获得更好的分类结果,并且对于样本量少或样本分布分散的地物类别,该方法的分类结果也十分理想。(2)提出了一种基于多特征融合与PCANet的高光谱图像分类方法。该方法同时利用高光谱图像的空间坐标特征与扩展形态学特征,充分利用高光谱图像的空谱信息。不同于常规的直接堆叠或拼接等特征融合方式,该方法设计出分支-合并结构的PCANet,有效解决不同特征间的相互干扰问题,最终提取出的深度特征对于高光谱图像的分类有很大的帮助。关于两个常见高光谱数据集的实验结果充分验证了该方法能够将不同特征有效融合,获得十分优秀的分类结果。(3)提出了一种高光谱图像分类中基于PCANet和迭代SVM的高效空谱特征融合方法。为充分且有效利用空谱信息,对于光谱信息,该方法直接采用支持向量机(Support Vector Machine,SVM)对原始光谱信息进行分类,计算复杂度非常低,而对于空间特征,该方法通过PCANet对扩展形态学进一步提取深度特征。充分的深度空间特征与简单的光谱特征相结合,有效平衡空谱特征提取的计算复杂度。此外,该方法借鉴集成学习的思想,通过将迭代SVM作为学习器,对光谱分类结果与空间分类结果进行有效集成。在两个高光谱数据集上的实验说明,该方法通过集成思想充分学习了高光谱图像的空谱信息,在分类精度上具有显著优势。