高光谱图像分类是地物解译的基础问题,广泛应用于环境监测、灾害预警和地质勘探等诸多领域。高光谱数据包含丰富的光谱信息与空间结构信息,具有“图谱合一”的特点。如何有效综合地获取像元的空谱特征是提升地物分类精度的关键。深度学习方法可以对复杂结构进行拟合,具备特征提取的多元性、端到端学习能力等特点,已被广泛用于高光谱图像分类任务中。本文以循环神经网络为骨干网,实现了基于非局部思想的多区域融合分类框架构建,研究了分支离散式和多区域集成式深度学习模型与学习算法。主要研究内容如下:（1）根据非局部的思想,提出了基于谱序列的多区域集成式空谱联合分类模型。该模型使用六个长短时记忆（LSTM）子网络,并行地对中心、四周和全局六个特征邻域进行建模。通过L2正则化和分级融合的策略,将高级联合特征进行了有效融合。（2）为充分利用高光谱图像空谱结构的上下文信息,提出了将卷积神经网络（CNN）与循环神经网络级联的方法,以发挥各自的优势。首先使用多尺度卷积模块获取高光谱图像的二维空间信息,然后用双向循环（Bi-LSTM）对通道序列进行建模,最后将两者进行串联实现先空间后光谱的多区域联合特征提取。（3）针对高光谱图像信息冗余,特别是多区域存在异质干扰的问题,引入了注意力机制,在融合前后分别对浅层特征进行筛选、对深层特征进行加权,强化了有用特征并抑制了无效信息。（4）在公开数据集Indian Pines、Pavia University和Houston University上开展高光谱图像分类的实验。通过消融分析、RMSprop迭代优化、迁移学习,尝试发现不同参数对分类结果的影响,在多个维度与多种方法开展了对比实验。最后,通过综合评估,证明本文提出的分类模型具备很强的鲁棒性,能够有效提取更有辨识度的联合特征,提升高光谱图像的分类精度。