高光谱遥感图像分类问题是最近几年热点的研究问题。高光谱图像的定量化的连续光谱曲线和高的光谱分辨率的特点,为其进行分类提供了条件。但是高光谱数据波段众多,波段间相关性高,光谱维度大,容易造成信息亢余,这使得高光谱图像分类研究面临者一些挑战。因此,解决高光谱数据的信息冗余问题和有效地提取高光谱数据的深层次特征是解决高光谱图像分类的关键。在本文中,采用了两种深度学习模型——监督学习的卷积神经网络模型和无监督学习的自动编码器模型,对高光谱图像的分类问题进行了探讨。首先,针对光谱维度大和信息亢余的问题,对高光谱数据进行预处理。在对光谱维度进行主成分分析的基础上,对高光谱数据进行分块提取,提取的块包含高光谱数据的特定信息和标签,并对分块后的图像通过旋转,裁剪的方式进行样本增强和随机化处。通过将处理过的数据进行实验分析,验证此方法的有效性。其次,深度学习模型的深度决定了训练模型的效果,如果模型层数过浅可能导致欠拟合,如果模型过深可能导致过拟合。为了能够有效地提取高光谱数据的深层次特征,对经典的二维(2D)深度卷积神经网络进行重新构造,得到一个新的基于卷积神经网络的深度学习网络模型。在常用的印第安纳松树林数据集和帕维亚大学数据集对模型进行训练,提取图像的深层次特征。对实验结果进行对比分析,验证了模型的优越性。最后,高光谱图像中的样本点进行人工标记费时费力,因此研究少量标记样本的高光谱图像分类问题是很有必要的。针对这个问题,提出了一个基于自动编码器的半监督学习的高光谱图像分类模型,采用无监督学习和监督学习相结合的方式,对高光谱数据进行网络训练。在印第安纳松树林数据集和帕维亚大学数据集进行模型训练,来验证模型的有效性。