高光谱图像是一种利用高光谱成像仪在几百个电磁波谱段上对目标进行成像所得到的图像。高光谱图像的数据是一个立方体的形式,每一个波段对应一张灰度图像,几百个波段组成一个数据立方体。因此,对于每一个像素点,以紫外到近红外波段范围为例,有着近乎连续分布的几百个波段响应值。由于以上特点,高光谱图像能够深刻反映目标对象的物理特性。因此,高光谱图像广泛应用在遥感领域的对地观测,可以很好的服务于国防安全、食品安全、地质勘探、环境保护、城市建设等领域。本论文主要研究的方向是高光谱图像分类。图像识别是计算机视觉中的一个经典问题,它的目的通常是确定图像中目标的类别或者属性。高光谱图像识别中最重要的一个任务就是确定每个像素点对应物理实体的类别,通常称之为高光谱图像分类。从另一个角度来看,高光谱图像分类也是一个图像分割问题,即借助目标的光谱特性以及空间相邻关系、纹理结构等对整幅图像进行语义分割。但是在遥感领域,我们通常称之为高光谱图像分类。对于高光谱图像分类问题,前人提出了很多方法。从决策树模型到支持向量机模型,都取得了不错的效果,然而当深度学习的方法在图像识别任务中取得了超越人类的效果以后,越来越多的科研工作者投入到了它的研究之中。本文将深度学习的方法应用到高光谱图像分类中,探讨如何让深度学习在高光谱图像分类中取得最优的效果。本文采用了分类模型中最常用的深度学习模型,也就是卷积神经网络来处理高光谱图像。由于机器学习中分类的方法有很多,高光谱图像分类的关键问题不是分类模型的选择,而是高光谱数据的高维度和高冗余的特性。前者导致高光谱数据的数据量巨大,给分类的效率带来了挑战;后者则导致大量的无用特征干扰了分类器最终的分类表现。因此分类模型特别需要考虑的是如何降低高光谱图像的维度以及如何提取有效的特征。而卷积神经网络恰恰具有获取高层语义特征的能力,并且在处理局部特征相关性很强的任务中具有天然优势。然而,在那些经典网络结构中,深度神经网络通常被设计为端到端的分类模型,特征提取、分类器设计、分类决策往往都融合在了一起。这种情况下,就不利于将模型学习到的信息迁移到其他任务中。针对以上这些问题,本文在经典的卷积神经网络基础上做出了很多改进,分别针对特征降维和分类效率两个亟待解决的问题提出了有参考价值的方法,并且两个方法都具有很好的可解释性以及迁移到其他任务的潜力。针对特征降维中的子问题波段选择,本文提出了一种基于一维卷积神经网络的具有类别敏感度的有监督的波段选择方法。本文的出发点是,在自然图像中,卷积神经网络具有定位有效图像特征的位置信息的能力。那么在高光谱图像分类中,同样的我们可以根据卷积神经网络记录的具有判别性的波段的位置信息来选择有效参与分类的波段。本文将原始网络中的全连接层替换成全局平均池化来生成一个波段贡献图,通过分类过程中生成的贡献图我们可以估计出每个波段对该类别分类过程中的贡献程度,根据这个贡献值为每个类别选择参与分类的有效波段。本文方法选择的波段在两个常用的高光谱数据库上的分类精度都具有不错的表现,不仅如此,该方法由于具有类别敏感性,可根据类别确定对该类别敏感的波段位置,在其他任务中可能也有应用价值。针对高光谱图像中波段冗余度高的问题,本文提出了一种同时降维和分类的卷积神经网络。我们的模型同时训练一个一维卷积神经网络和一个二维卷积神经网络,二维卷积卷积网络中的数据降维部分和一维卷积网络是共享权重的。其中一维卷神经网络仅仅考虑光谱信息,用来对原始数据进行光谱特征提取。二维卷积神经网络的输入是经过一维卷积神经网络降维后的高光谱图像,用来提取空间特征。由于提取光谱特征和空间特征以及分类是同时进行的,该模型提取到的光谱特征最大化的保留了空间特性,同时也提升了网络的收敛速度以及模型的效率。在两个常用的高光谱数据库上的运行结果显示,相比于三维卷积神经网络,该模型的训练速度提高了9.6倍,相比于二维卷积神经网络提高了2.8倍,因此我们的模型具有更快的收敛速度以及有竞争力的分类精度。