高光谱遥感数据包含丰富的空间-光谱信息,具有“图谱合一”的典型特征和波段数量多、标签样本少和空间变异性大等特点。而卷积神经网络是一种具有强大特征提取与表达能力的深度学习模型,在遥感高光谱图像分类中显示出优于其他分类模型性能的显著特点。但是由于高光谱遥感数据的高维特性和高度冗余特征,往往会影响卷积神经网络的分类精度,使模型对标签数据产生较大的依赖,同时使训练时间过长而导致模型效率较低。此外,许多基于卷积神经网络的分类模型只是考虑光谱维度的特征提取,忽略了空间信息对分类性能的增强作用。为了解决以上问题,本文提出一种面向小样本高光谱遥感数据的变维卷积神经网络空谱联合分类模型。变维卷积神经网络是一种基于卷积神经网络的改进模型。模型中三维与二维卷积特征提取结构的优化是提高小样本高光谱图像分类性能的关键。变维卷积神经网络根据特征图维度的变化可分为空谱信息融合、特征图降维、空谱联合特征提取和特征分类等过程,保证了网络小样本数据具有较强特征提取的能力。变维卷积神经网络在特征提取过程中,通过对数据流中三维特征图的维度转换,减少了大量的计算量并节省了存储空间。这种改变特征映射维度的变维结构能够简化网络结构,降低计算复杂度,同时实现对空谱联合特征的充分提取,提高卷积神经网络对小样本高光谱图像分类的精度。本文实验分为变维卷积神经网络的性能分析实验、分类性能比较实验和并行变维卷积神经网络加速实验,使用的数据集是Indian Pines和Pavia University高光谱遥感数据集。实验结果显示,变维卷积神经网络对小样本遥感高光谱图像具有较高的分类精度。参数选择对变维卷积神经网络的分类性能有重要影响,合理的参数可使分类模型达到较优性能;变维卷积神经网络在Indian Pines和Pavia University数据集上的总体分类精度分别为87.87%和98.18%,与其他分类算法相比具有明显的性能优势;并行变维卷积神经网络可以大幅度缩减训练时间。实验结果表明,变维卷积神经网络在特征提取过程中通过改变特征图的维度和进行高精度的空谱联合特征提取,降低了模型的复杂度,且并行化分类可明显提高模型效率。这种变维模型可以大大提高小样本高光谱图像的分类性能,并可进一步推广到其他与高光谱图像相关的深度学习分类模型中。该论文有图16幅,表17个,参考文献64篇。