近几年,高光谱成像技术的迅速发展使得高光谱影像分类技术逐渐成为该领域的热门研究方向之一。高光谱影像不仅具有精细的光谱特征,同时能够精确反映地物类别的空间分布特征,其为地物分类提供主要的分类依据,在目标分类与识别方面具有非常重要的应用价值。在以往的研究中,研究学者们主要聚焦于光谱特征信息的提取,忽略了空间信息的使用对图像分类性能提升的重要影响。因此,联合空域信息和光谱信息进行高光谱特征提取为实现高精度的图像分类提供了新的技术思路。针对上述问题,本文从空谱联合的角度出发,以优化特征提取为目标,基于混合卷积神经网络分别联合残差网络和注意力机制构建了两种高光谱图像分类模型并进行了实验验证。结果表明本文所提的两种方法有效实现了高光谱图像的高精度分类,其主要研究内容如下:1.本文简要陈述了本文选题的研究背景和应用价值,阐述了高光谱图像分类技术的发展历程和研究现状,并结合其数据表示特性介绍了遥感高光谱图像分类的详细概念,同时总结了分类性能的评价标准和几种经典的高光谱影像分类对比算法。2.针对高光谱图像分类中光谱图像噪声干扰较大,单纯依靠光谱信息实现分类所存在的特征可鉴别性不足、分类精度不高的问题,提出了基于混合残差卷积网络的空谱信息融合的分类方法。该方法首先讨论了残差网络对于深度卷积神经网络中梯度的影响和空谱信息有效融合的可靠性问题,然后设计3DCNN和2DCNN混合残差卷积神经网络来分别提取高光谱数据中的光谱特征和空域特征,并通过残差网络弥补梯度下降梯度消失问题,提升分类性能的同时,减弱网络训练过程中的过拟合情况从而增强模型的泛化性能。3.针对在高光谱图像分类过程中,采用卷积神经网络提取特征存在的邻域信息选取可靠性不高,容易导致难以准确分类的问题,本文提出了基于注意力机制的混合卷积神经网络高光谱分类算法。该框架以提升空域信息在分类过程中的有效利用率作为主要途径,分别从图像光谱维和空间维信息的邻域选择方面着手,并应用混合3D-2DCNN卷积神经网络进行特征提取及分类,避免了不恰当邻域信息的引入对分类精度的影响,改善高光谱图像分类性能的同时,增强了高光谱图像分类过程中的抗噪声干扰能力。