高光谱遥感成像技术通过传感器对地物进行勘测,利用每种物质对电磁波、光照等反射能力不同,会形成不同的光谱特征,从而获得地物信息。高光谱图像在目标识别、医疗、军事、地质勘测等领域中应用广泛。高光谱遥感图像利用丰富的光谱信息和空间信息来表征地物的同时,也带来了很多问题,比如“维数灾难”、特征冗余、获取标签样本比较困难、小样本目标识别率较低以及空间特征的利用率不足等问题。为了提高高光谱图像的分类精度,本文融合了高光谱图像的空间信息与光谱信息,提出了两种基于稀疏自编码网络的高光谱图像分类算法。针对传统方法不能有效地解决“维数灾难”以及空间特征利用率不高的问题,本文提出了一种基于TSNE和多尺度稀疏自编码网络的分类算法,T分布随机邻域嵌入在可视化及降维中有巨大优势,在降维的基础上依旧可以良好地保留数据的信息,减少信息损失。首先利用T分布随机邻域嵌入对原始高光谱图像降维,有效解决“维数灾难”问题,减少计算复杂度和冗余,然后提取不同邻域内像元的多尺度特征并对其进行加权滤波,提取像元的空间域信息,最后利用具有空谱联合特征的像元训练稀疏自编码及SOFTMAX分类器模型,获得像元的类别标签。针对训练样本难以获得以及小样本目标识别困难的问题,提出一种基于多特征和改进稀疏自编码网络的高光谱图像分类算法,首先利用泛化能力更强的流形学习对高光谱图像降维,在此基础上提取图像的圆形局部二值模式特征与多属性剖面特征,将光谱特征、圆形局部二值模式特征、多属性剖面特征进行多特征融合,然后在堆栈稀疏自编码网络的基础上加入主动学习获得特征性更强的训练样本,最后训练融合多特征像元的堆栈主动稀疏自编码网络及SOFTMAX分类器模型,获得像元的类别标签。针对本文提出的两种算法,本文选取了Indian Pines和Pavia U两组图像进行实验,采用总体分类精度、Kappa系数和每类的分类精度进行实验结果的评估,并与其它八种算法进行对比,验证本文所提的两种算法的有效性,提高了分类精度,得到了不错的分类效果。