随着图像技术的发展,高光谱图像在遥感领域也越来越受到重视。目前,高光谱图像已广泛用于农业发展,军事侦探,地质勘察和天气预报等。高光谱图像的分类是高光谱图像数据处理的基础,由于高光谱图像是维度较高且数据量较大的图像数据,包含大量空间信息和光谱信息的同时,存在数据间高度相关,导致数据大量冗余,因此,对后续的准确分类带来了巨大的挑战。随着深度学习的飞速发展,许多深度学习方法被应用于高光谱图像分类。深度学习方法能够提取出高光谱图像的深层抽象的空间和光谱特征,因此如何有效地提取和使用这些特征进行分类成为当前研究的重点。在本文中,我们主要通过组合降维和局部Gabor卷积神经网络来研究高光谱图像的分类,具体研究内容如下:(1)我们提出了一种基于空间光谱联合特征的新分类方法,以解决高光谱图像特征利用不足的问题。首先,使用主成分分析和线性判别分析来减小高光谱图像数据的维数,其次引入Gabor核,设计一种基于Gabor核的卷积层——局部Gabor卷积层(Local Gabor Convolutional Layer,LGC Layer),然后基于LGC层设计两个新的局部Gabor卷积神经网络(Local Gabor Convolutional Neural Network,LGCNN)LGCNN-1和LGCNN-2来提取高光谱图像的深层特征,最后采用Softmax分类器进行分类。通过实验可以发现,所提及的方法表现出了更好的分类效果。(2)为了使高光谱图像丰富的空间特征和光谱特征得到充分利用,在研究内容(1)的基础上提出了基于多通道局部Gabor卷积神经网络的高光谱图像分类方法。该方法同时构建四个局部Gabor卷积神经网络,分别提取高光谱图像四个具有代表性的深层空间光谱联合特征,即分别提取0、π/4、π/2和3π/4方向的特征,然后将这四个方向的特征进行合并,最后采用Softmax分类器进行分类。实验证明,所提及的方法充分利用了高光谱图像多个方向的特征,使其分类性能得到了大幅度的提升。