高光谱图像是一个具有“图谱合一”特点的三维立体图,图像中包含丰富的空间信息跟光谱信息,因此高光谱图像在遥感图像分析中能提供更多有价值的信息。在实际生活中,高光谱技术已经被广泛应用于地物识别、环境监测、矿物勘探、军事目标等研究领域中。但是,受到高光谱成像仪精度以及硬件设备成本等条件的限制,目前所采集到的高光谱图像的空间分辨率还很低,无法同时采集到既包含高空间分辨率,又包含高光谱分辨率的图像,这使得高光谱图像的获取受到了限制。因此,通过将低分辨高光谱图像(LR-HSI)和高分辨多光谱图像(HR-MSI)融合的方式,来得到高分辨高光谱图像(HR-HSI),这种融合方法是目前获取高光谱图像的趋势。本文将围绕高光谱图像融合和分类两个方面展开研究,通过分析高光谱图像的特点,提出能够高效融合出高光谱图像的算法框架,并在得到的融合图像上进一步展开分类研究,提出能够提高分类精度的模型。本文的研究内容包括:(1)基于变分概率模型的高光谱和多光谱图像融合。考虑到现有的融合方法大都受到线性谱分解的约束,本文提出了一种基于非线性分解的变分概率模型(VPM),用于无监督的高光谱和多光谱图像融合任务。该模型是由两路变分自编码器组成的,分别对应于LR-HSI和HR-MSI两种输入图像,并且这两路通过共享参数θ的方式来联合学习。由于卷积神经网络(CNN)在图像处理方面的优势,因此模型采用CNN来提取图像的深层特征。为了提高可扩展性和效率,VPM网络中采用了神经网络参数化的两个变分推断模型来推断隐变量的分布,从而实现非线性分解过程。此外,通过对神经网络参数化的LR-HSI和HR-MSI中像素的联合似然函数进行建模,以实现非线性融合过程。最后,利用小批量梯度下降法,实现了对网络参数的优化。通过在高光谱图像公开数据集上的实验结果,表明所提出的基于VPM的融合方法优于其他传统的融合方法,并从融合指标、重构图像质量和运行时间等方面,证明了该模型的有效性和高效性。(2)基于变分概率模型的高光谱融合分类联合模型。在对高光谱图像进行融合实验的基础上,对融合实验得到的高分辨高光谱图像(HR-HSI)进一步进行分类研究。分别使用了SVM、1D-CNN、2D-CNN和3D-CNN模型,对高光谱图像进行分类。但是,由于高光谱图像“图谱合一”的特点,其分类性能高度依赖于空间和光谱信息。因此,本文提出一种组合CNN模型,使用3D-CNN和2D-CNN相结合的方式,联合了光谱特征和空间特征。并且通过对原始数据进行翻转、加噪声和提高亮度等方式,增加了训练样本的个数。通过在两种高光谱公开数据集上进行实验的结果,证明了组合CNN方法与其他分类方法相比,不仅提高了分类的准确度,而且通过数据扩充的方式,在小样本识别任务上也显示出优越性。除此以外,该方法与图像融合方法相结合,使得模型既有生成高光谱图像的能力,又能对高光谱图像进行识别,更具有实际应用价值。