作为细分光谱成像数据,高光谱遥感图像蕴含丰富的辐射和光谱信息,高光谱图像分类与异常检测是高光谱数据处理中的核心任务,在环境监测、地质勘探、国土安全等领域应用广泛。高光谱数据波段多,波段相关性高,特征维数高且存在冗余性。因此需要大量的训练样本来减少分类与异常检测的不稳定性。但是实际应用过程中训练样本的获取难度大、成本高。再加上高光谱图像的空间分辨率低、类内差异性强,存在混合像元现象和噪声等复杂情况,给高光谱分类与异常检测带来了很大的挑战。如何利用小训练样本,实现高精度的高光谱图像地物精细分类和光谱异常检测是亟待解决的关键问题。本文首先调研回顾了近些年国内外的研究现状,在介绍目前主流的几种高光谱图像分类算法和高光谱图像异常检测算法的基础上,挖掘空-谱联合数据特性,深入研究新型深度学习模型。本文的主要贡献为:（1）针对高光谱图像的精细地物监督分类问题,提出一种多方向空间信息传播卷积深度学习算法。不同于传统的逐层卷积神经网络,该网络采用一种新型的逐片卷积模型,设计了多方向空间信息传播卷积神经网络。具体而言,在特征图中嵌入逐片卷积,将像素的空间信息向四周传播,增强空-谱联合特征学习能力。实验表明,本方法有机的结合了传统的逐层卷积神经网络和空间信息传播卷积神经网络,能够获得丰富且具有鉴别性的光谱和空间特征,提升了网络的小样本学习能力,具备高精度和稳定的分类性能。（2）针对高光谱图像异常检测问题,提出基于像素对匹配的稠密网络算法。应用卷积神经网络解决问题的前提是具有大量训练样本的真实数据标签,而异常检测的应用场景通常面临监督样本信息不足。为此,本文提出“像素对匹配”的方法,即对用于训练网络的高光谱图像中的像素点两两匹配,并对其进行标注,构造同类像素对和异类像素对。通过一维卷积以及光谱稠密单元建立光谱稠密卷积神经网络,能够充分提取像素对的光谱特征信息,比较两个光谱像元的异同,同时还能避免梯度消失现象。最后,采取双窗口光谱异常判别机制,将待测点与邻域像素成对匹配,作为网络的输入,根据平均相似度与设定的阈值,对待测光谱进行判别。综合实验对比效果,本算法的检测结果图、ROC曲线以及AUC值都要优于其它对比算法,取得了较好的检测效果。（3）设计并实现了一个集成了高光谱图像深度学习分类与异常检测算法的软件系统。在该系统中,将4种已知的分类算法、5种异常检测算法和本文提出的两种算法进行集成,主要包含以下核心模块:读取图像模块、高光谱图像可视化模块、高光谱图像分类模块、高光谱图像异常检测模块、分类与异常检测性能评价模块。