随着高光谱遥感技术的高速发展,高光谱遥感影像逐像素分类成为了遥感领域的研究热点。近年来,基于卷积神经网络的分类算法大大推进了高光谱影像分类技术的发展。然而,其发展趋势为通过不断加深网络或增加模型结构复杂度来提高分类精度,由此带来了算法的高时耗问题,阻碍了分类算法的应用。同时,现有的分类模型都假定高光谱影像分类环境为闭集场景,将所有像素点都分为训练过程中出现过的已知类别,忽略了现实情况下普遍存在的未知样本,使得模型在应用场景下的实际分类精度大幅降低。本文针对高光谱影像现有的闭集分类算法的不足之处,结合计算机视觉与自然语言处理领域中的开集分类算法改进了高光谱影像分类算法,并在Indian Pines、Pavia University及Kennedy Space Center等标准数据集上进行仿真实验。具体内容如下:1、分析了高光谱遥感影像分类与开集分类的发展现状,结合高光谱影像的数据特征与开集分类定义给出了高光谱影像开集分类的详细概念,同时给出了开集分类的评价标准。2、针对高精度闭集分类算法的高时耗问题,提出了一种连续空谱特征提取的快速卷积神经网络作为开集分类算法的基础分类网络框架,通过分解三维卷积核对网络空谱特征提取的方式进行调整,将网络分为光谱降维的1×1卷积阶段与提取空间信息的普通二维卷积阶段,达到减少网络参数的目的。实验证明该网络模型在维持分类高精度的同时大幅提升了计算速度。3、针对闭集分类算法中未知类样本被错分为已知类的问题,提出了一种结合卷积神经网络与阈值设置的开集分类算法,给出了高光谱影像开集数据集的构建方案,通过对连续空谱特征提取的快速卷积神经网络中Soft Max层输出的分类概率设置阈值达到识别未知类样本的目的,阈值优化阶段采取本文提出的已知类整体精度与未知类召回率的均衡指数作为优化指标。实验结果证明该算法在开放空间风险、可视化结果及多种开集分类评价指标上具有明显优势,验证了均衡指数的合理性。