高光谱遥感技术能够在地物的识别与探测中提供丰富的信息,已广泛应用于地表科学研究。高光谱图像分类是高光谱遥感领域的研究热点。基于手工特征提取的传统分类方法通常只能提取高光谱图像的浅层特征,特征表示能力不足。基于深度学习的分类方法可以提取更全面的深度特征,但现有的方法没有充分利用高光谱图像的空谱结构特性。本文正是在这样的背景下,针对基于深度学习的高光谱图像分类技术开展了深入的研究。本文提出了一种基于不同尺度卷积神经网络的空谱结合高光谱图像分类方法。该方法可以在有限的训练样本下,同时提取出具有表现力的高光谱图像联合空间特征和光谱特征。首先,选择高光谱图像中心像素周围不同尺度的像素块作为待处理数据单元。然后,通过对数据单元进行空间旋转、行列变换等操作实现空间增强。最后,设计了一种双流卷积网络提取空间增强单元的联合空间特征和光谱特征,并利用softmax获得中心像素的分类结果。实验结果表明,所提出的方法获得了较高的高光谱图像分类精度。为了更好的利用高光谱图像的边缘结构信息,本文进一步提出了一种基于边缘保持的双流卷积神经网络分类方法。该方法将边缘保持滤波有效应用于高光谱图像分类,采用原始的高光谱图像和经过边缘保持滤波后的图像作为双流卷积神经网络的两路输入,使网络同时学习上述两种信息,以得到优化后的联合空间特征和光谱特征。实验结果表明,所提出的方法在不同尺度网络的基础之上,进一步提升了分类精度。