近年来，针对高光谱图像的地物分类成为了遥感数据处理领域的一个热点问题。高光谱图像具有图谱合一的性质，能够同时记录观测对象的光谱信息和空间信息。随着遥感探测技术的不断发展，高光谱图像的光谱和空间分辨率的越来越高，其复杂的空间结构与高维度的光谱信息导致传统方法不能对其有效解译。目前，深度学习依靠其强大的特征提取能力成为了高光谱分类领域的主流算法。在众多深度学习模型中，卷积神经网络凭借权值共享、局部连接以及分层次的特征提取等特性引起了更加广泛的关注。在本文中，我们针对高光谱遥感图像的特殊性质，提出了多种基于卷积神经学习的表征框架，通过提取更具判别性的空谱特征实现了精准的地物识别。主要的研究内容概括如下：
　　1)提出一种多路径残差网络，用于空谱联合的高光谱图像分类。其特点是模型宽度超过现有的基于深度学习的高光谱图像分类模型。传统残差网络通过堆叠残差模块，以增加网络深度的方式提高性能。但深度增加会引入大量长路径，这些路径在训练时只贡献微量的梯度更新信息；此外，深层残差网络的分类性能与大量浅层网络的集成类似，表明长路径对模型性能贡献不大。我们通过减少残差模块的数量减少网络深度，避免较长路径的引入，同时增加每个模块中残差函数数量，以提高模型宽度的方式提升性能。通过与五种现有分类方法在三个真实高光谱场景上的对比实验，证明了该方法在精准分类以及参数利用方面的优越性。
　　2)卷积神经网络可以从原始数据中自动提取多层次的特征，在高光谱分类任务中得到了大量关注。然而，大多数基于卷积网络的方法忽略了充分利用每个卷积层中的互补且相关的信息，通常只采用最后一层提取的特征进行分类。针对这一问题，我们提出了一种完全密集的多尺度融合网络，通过利用所有卷积层中的多层次特征进行高光谱分类。该网络以前馈方式在任意两层之间引入了快捷连接，实现每一层学到的特征均可由后续层直接访问。这种完全密集的连接模式取得了全面的特征重复利用，有利于更具判别性的特征的学习。最后，我们将所有卷积层提取的多尺度的空谱特征融合后进行分类。在四个广泛使用的高光谱场景上的实验结果表明，该方法优于现有的五种流行的分类方法。
　　3)提出一种新型的深度混合连接网络。通过混合连接架构集成了残差连接和密集连接，使其同时具有残差连接的特征重用性以及密集连接的新特征挖掘能力。与双路径架构相比，本章提出的混合连接架构可进一步改善网络中的信息流动。此外，现有的残差网络、密集连接的卷积神经网络以及双路径网络均可视为本章的混合连接网络的特例。最后，四个广泛使用的高光谱基准场景上的实验结果证明了该算法的鲁棒性和有效性。
　　4)提出了一种注意力引导的渐进特征融合网络。首先利用多路径残差网络提取多层次的空谱特征，接着通过注意力引导的融合模块将这些特征进行融合。在融合阶段，基于风格特征的注意力模块自适应增强不同层次特征中的有用信息，抑制无用信息，从而增强融合后特征的判别性。该网络在提高多路径残差网络的分类精度的同时仅引入了约0.2%的额外参数。在三个真实高光谱场景上的分类结果表明，该模型与近年提出的五种高光谱图像分类方法相比具有一定的优势。此外，与直接相加或者级联的特征融合方式相比，本章方法能更加鲁棒的提高模型性能。
　　5)在基于图像块的空谱联合高光谱分类任务中，研究人员通常采用随机采样方法选取训练样本，导致生成的训练集与测试集间存在数据泄露问题，使分类方法产生过于乐观的分类精度。针对这一问题，我们提出了一种可控的随机块采样方法，该方法能够根据高光谱图像中的地物类别数与预设的训练样本总数，自动将高光谱场景划分为训练区域与测试区域，并且生成的训练区域内包含每个类别的标记样本。通过限制训练/测试图像块只能从对应区域内选取，避免了训练数据集与测试数据集间的信息泄露。四个真实高光谱场景上的实验表明，这一实验设置不仅使高光谱分类任务更具挑战性，而且具有实际意义。