由于高光谱影像含有丰富的地物光谱曲线,使其成为监测地球环境动态变化,遥感定量反演等有效的工具,对其进行解析处理的方式越来越受到人们的关注。尽管高光谱影像丰富的波段信息有利于地物的分类,但是太多的光谱维度以及冗余信息给处理分析影像的算法带来困难,并且高光谱影像中的有标记样本稀缺,如何从数据的特点出发,采用高效的特征提取方法,提供具有判别性的信息一直是关键问题。包含多层的网络学习方法可以分层级的对未经标记的数据进行特征描述,提取其中各种隐含的特征,形成更加完整的抽象语义表示,比传统,浅层的方法拥有更好的分类性能。为此,本文基于多层网络学习模型,提取影像潜在的多层级特征,结合空间特征提取方法的优势,研究更为高效的分类算法。主要研究内容如下:(1)提出一种基于Squeeze-and-Excitation聚合残差网络的高光谱影像分类方法,该方法设计的网络模型结合了聚合残差网络的深层可扩展结构以及Squeeze-and-Excitation模块对特征通道的重标定策略,可以有效地学习高光谱影像中空间上下文信息,选择性的加强具有重要信息量的特征,提取深层次抽象语义特征,从而得到更好的分类结果。(2)提出了一种基于集成多层极限学习机和主动学习的高光谱影像分类方法,该方法在有效表征数据的空间特征基础上,发挥多层极限学习机在特征表示以及数据分类方面的独特优势。由于多层网络更加依赖训练样本的数量,借助主动学习中委员会投票的思想构建集成网络,选择预测类标差异性大的无标记样本来扩充训练样本集,以更高效的方式减少对有标记样本的需求。(3)提出一种基于边缘保持滤波和深度网络的高光谱影像分类方法,从不同结构纹理信息以及多层级学习的角度出发,以重构的思想来无监督的学习大量高光谱影像数据的特征。首先在主成分分析降维的基础上利用扩展形态学提取空间信息,并使用边缘保持滤波方法有效的达到保护原数据边缘的目的,然后与原始光谱信息进行级联,采用栈式自编码网络对以上空谱信息作进一步的高层次特征提取,最后使用softmax分类器进行分类。