高光谱遥感技术的蓬勃发展，弥补了之前多光谱遥感技术波段少和间隔宽的缺陷，可以探测到地物更加细节的特征，可以说是遥感技术发展的一个重要里程碑。高光谱遥感图像具有“图谱合一”的特性以及越来越高的光谱分辨率，在地物识别和分类中显示出极大的优势，对高光谱遥感图像分类成为获取其地物信息的主要途径。因此，在现有的研究基础上，找到更好的分类方法以及有效提高分类精度成为了研究者们努力追寻的目标。针对高光谱遥感图像数据量大、标记样本少的特点，以及传统图像降维与分类算法复杂、仅提取光谱信息而忽略空间信息等不足，论文基于深度学习端到端的工作机制，探讨了基于卷积神经网络模型的高光谱遥感图像分类算法。论文的主要研究内容如下：
　　针对二维卷积神经网络(2D-CNN)进行高光谱遥感图像分类时光谱信息损失，且不能同时提取光谱和空间特征的缺点；考虑到三维卷积神经网络(3D-CNN)不需进行额外的波段降维处理，直接采用3D卷积核同步提取高光谱遥感图像的光谱特征和空间特征，能充分利用高光谱遥感图像“图谱合一”三维特点的优势；本文利用3D-CNN进行了高光谱遥感图像地物分类研究，取得了比2D-CNN更好的分类效果，在分类精度上提高了一到两个百分点。另外，相比传统图像分类方法，训练过程中不需要任何预处理和后处理的工作，可以直接对原始高光谱遥感图像三维立方体进行处理，真正实现了图像的自动分类，从而提高了运算效率。此外，还讨论了不同网络深度对于网络分类性能的影响，验证了“网络退化”问题，为进一步引入残差学习奠定了基础。
　　针对网络模型在训练过程中伴随深度增加可能出现的网络退化问题，本文基于残差学习原理，构建了基于高光谱遥感图像分类的深度残差网络。在3D-CNN的基础上引入残差结构，并适当增加网络深度，使用两种形式的3D卷积核进行光谱特征和空间特征的提取，有效提高了地物识别的准确率。残差结构包括光谱残差模块和空间残差模块，可以分别且连续地学习光谱和空间特征，并且残差模块中将信息沿着“跳跃连接”结构传输的方式在一定程度上保护了信息的完整性，更有利于提取到判别性强的特征。相比3D-CNN，在增加网络深度的同时缓解了网络退化问题，从而进一步提高分类精度。
　　所设计网络模型在三类公开标记的数据集上进行了验证实验，结果表明，3D-CNN可以有效利用联合空谱特征提供的语义信息，用来处理高光谱遥感图像三维数据是最有效的；基于残差学习原理的深度残差网络在增加网络深度的同时优化了网络性能，在3D-CNN的基础上实现了分类精度的再次提高。