近些年来,随着高光谱遥感技术的飞速发展,高光谱遥感逐渐成为了遥感领域的主流方向之一。高光谱分类技术在资源勘探、农业生产、医学检测、地质灾害、大气环境、文物考古和军事侦察等领域有着巨大的应用潜力和应用价值。高光谱丰富的光谱信息提升分类模型对于不同地物辨别能力的同时,也引起了维数灾难问题。如何同时有效地利用高光谱图像的空间和光谱信息,提取具有辨别力的特征,进而实现高效准确的图像分类,仍然是一项具有挑战性的难题。由于卷积神经网络在图像识别领域的强大分类能力,许多学者将卷积神经网络应用到了高光谱图像分类任务中。然而,现有的基于卷积神经网络的分类方法采用单一的固定空间窗结构,忽略了高光谱图像复杂的地物分布。同时,卷积神经网络训练需要大量的训练样本,而高光谱数据的训练样本获取十分困难,非常容易过拟合,这些原因都会抑制高光谱图像的分类表现。本文针对高光谱图像图谱合一的特性和高光谱图像的复杂数据分布,通过设计具有多结构的深度卷积神经网络模型分层自动提取高光谱图像高辨别力的空间和光谱联合特征,从而实现对于高光谱图像的精准分类。本文完成的主要成果总结如下:(1)提出了基于分治双结构卷积神经网络的高光谱图像分类方法,该方法考虑到高光谱图像的复杂地物分布,设计了双结构卷积神经网络。首先,设计了一种基于局部决策和非局部决策的区域划分方法,同时利用空间信息和光谱信息将高光谱图像划分为匀质区域和异质区域。然后,针对匀质区域设计多尺度卷积神经网络用来提取联合空谱特征,针对异质区域设计微粒度卷积神经网络用来提取分层光谱特征。通过实验分析,显示所提CNN算法在不同的高光谱图像数据集上同时获得了较好的区域一致性和边界保持能力,验证了所提算法的优越性。(2)在第一个工作的基础上,提出了基于自适应空谱约束的数据扩充和分治双结构卷积神经网络,设计了一种基于自适应空谱约束的数据扩充方法,在超像素空间约束下,利用光谱相似性扩充训练样本集,有效缓解了过拟合问题。通过实验分析验证了所提方法数据扩充的有效性,同时验证了提出的算法在不同的高光谱数据集上的鲁棒性和相对于其他算法的先进性。(3)提出了一种基于自适应多种区域的集成卷积神经网络方法,该方法利用多区域卷积神经网络提取更具辨别力的多样空间特征,然后利用自适应权值自适应地学习对于分类更加重要的区域特征,使模型更加关注和中心像素相关以及对分类有利的输入区域,而减弱和中心像素不相关甚至不利于分类的区域的影响,最后利用多个伴随目标损失函数集成协同优化多区域卷积神经网络分支,对于各分支网络提取特征添加正则化,获得更加优秀的分类结果。在三个高光谱图像数据上的实验结果说明了提出的算法相比于其他先进的分类算法的分类效果的优势,同时具有较好的区域一致性和边界保持能力。