在图像处理领域,高光谱遥感成像技术有着极强的地物探测识别能力,可以实现对由地物本征成分决定的光谱信息和表明地物形状纹理的空间图像进行同步采集,进而对目标对象进行精准检测和分析,所获取的高光谱图像也是一种“形态-光谱”一体化的三维立方体数据。自从上世纪末诞生以来,高光谱遥感图像逐渐发展为遥感探测领域中重要的数据来源,而且朝着更广谱段、更精细分辨率方面发展,极大地提高了人们对地物空间的感知能力。然而,与传统遥感图像相比,高光谱遥感图像的处理更加复杂,而且存在着数据量大、冗余度高、光谱波段数多且相关性强等问题,研究如何充分发挥高光谱图像“图谱合一”优势,深入挖掘其蕴含的精细的光谱信息和丰富的空间信息,实现对地物的精准有效分类,有着重要的研究价值和现实意义。基于这一背景,本文结合传统机器学习和深度学习方法,对高光谱遥感图像的分类识别方法开展研究,主要内容如下:首先,针对高光谱图像所含数据量大、冗余信息多造成分类复杂且效果不佳的问题,对高光谱图像的预处理方法进行研究。从光谱特征提取角度给出一种基于主成分分析（Principal Component Analysis,PCA）的降维预处理方式,通过实验仿真分析验证了它的有效性。同时,介绍了特征表达更为充分、特征提取效果更好的空谱联合特征提取算法,对相关方法进行了分析。有关研究内容为后文高光谱图像分类方法研究奠定了基础。其次,为实现高光谱图像的有效分类,结合传统手工设计方法中经典的支持向量机（Support Vector Machine,SVM）算法,设计了一种基于PCA-SVM算法的分类方法。分析研究了SVM的原理和算法,采用有效分类策略构建了SVM分类器,结合PCA算法对高光谱图像进行分类识别仿真实验。基于SVM的分类方法作为高光谱图像分类的传统方法,具备了较为有效的分类性能,但是分类精度并不高,且PCA算法在其中表现不佳。再次,为解决传统手工设计分类方法普适性较差等问题,运用深度学习方法中的卷积神经网络（Convolutional Neural Networks,CNN）算法,给出了一种采取空谱特征联合方式进行分类的3-D CNN方法。分析研究了CNN的结构和算法,构建了一种三维的CNN分类器模型,在高光谱图像分类仿真实验中表现良好,实现了分类精度的大幅度提升,与传统手工设计分类方法相比优势明显。最后,为降低3-D CNN模型和计算的复杂性,将2-D CNN和3-D CNN算法进行整合,并在卷积特征通道之间引入“关注机制”,设计了一种改进的3-D CNN的分类方法。该方法融合了混合光谱网络（Hybrid Spectral Networks,Hybrid SN）算法和挤压-激励网络（Squeeze-and-Excitation Networks,SENet）模型算法的优势,将空谱和光谱互补信息分别以3-D CNN和2-D CNN层组合到了一起从而提升了计算效率,同时以通道关注的方法细化了空谱特征,在分类仿真实验中实现了分类精度的进一步提升,对Indian Pines高光谱图像数据样本集在训练样本为50%时的分类精度高达99.746%。该方法为实现高光谱图像的高质量高性能分类提供了一种有效方式。