高光谱图像蕴含了大量的光谱与空间信息,它可以对目标地物进行较好地识别与分类,并在资源勘测、农业病虫害检测以及生物医学等领域扮演着重要角色。在高光谱图像分类任务中,如何充分利用高光谱图像的光谱与空间联合信息是提高分类精度的关键所在。目前基于深度学习的高光谱图像分类方法存在模型运算量比较大、卷积尺度过于单一、光谱序列上下文间的关系信息以及图像的空间信息没有得到充分利用等问题,这些都会影响最终的分类结果。针对上述问题,本文根据高光谱图像自身特点,同时基于高光谱图像分类研究现状,在深度学习框架下,提出了两个基于光谱与空间联合信息的高光谱图像分类方法,以实现对目标地物的有效识别与分类,其主要研究内容如下:（1）本文提出了一种基于注意力机制和多尺度混合CNN的高光谱图像分类方法。该方法基于高光谱图像的光谱与空间联合信息,首先使用了两层三维卷积来初步提取光谱-空间特征;然后,利用不同尺度的二维卷积运算来进一步提取光谱-空间特征,这样既减少了深度3D-CNN模型的计算复杂度又能提取到多尺度的光谱-空间特征;其次,该方法在模型中还添加了通道和空间注意力模块,这样可以强化并获取到更有效的光谱-空间特征;接着把获得的不同尺度的光谱-空间特征通过融合得到一个更抽象的多尺度光谱-空间联合特征;最后把联合特征输入到Softmax分类器中进行分类。（2）为了更好地学习光谱波段间的上下文信息,同时为了能更充分地利用高光谱图像的空间信息,本文提出了一种基于Bi-LSTM和深浅层空间特征的高光谱图像分类方法。该方法首先使用了Bi-LSTM来学习光谱序列间的上下文关系信息,从而可以提取到更有效的光谱特征。然后,在空间特征提取时,考虑到2DCNN模型在卷积和池化操作过程中可能存在重要细节信息丢失问题,该方法结合了2D-CNN模型的各分层网络所提取的空间特征,可以得到一个抽象的深浅层空间特征;接着把获得的光谱特征与深浅层空间特征进行融合,从而可以得到一个更鲁棒的光谱-空间联合特征;最后把联合特征输入到Softmax分类器中进行分类。基于Indian Pines、Pavia University和Salinas三个高光谱图像数据集,本文将所提出的两个方法与其他的分类方法分别进行了对比实验。实验结果表明,本文所提出的方法有效提高了高光谱图像的分类精度,获得了更好的分类效果。