高光谱遥感影像不仅蕴藏十分丰富的光谱内容,而且具有大量的空间结构信息,被广泛应用于资源调查、防灾减灾、农业规划和城市地物识别等重要领域。高光谱图像分类是上述应用的基础,因此进行精准有效的高光谱图像分类是遥感技术领域的一个热点研究方向。近年来,学者将深度神经网络引入图像分类任务,其可以高效地学习高光谱图像本身具有的非线性抽象特征,提升不同地物特征可分性。但是现有的基于深度学习的策略在进行分类任务时仍面临空-谱特征挖掘不彻底、数据冗余度大等难点。针对上述问题,本论文立足于深度学习、图学习等理论基础,从模型优化、空-谱特征提取、注意力设计等角度出发,研究如何对高光谱遥感数据蕴藏的丰富信息进行深入探索,构建基于空-谱联合注意力机制的高光谱图像分类框架,从而发挥高光谱图像优势,提升地物分类性能。本文主要进行了以下研究:（1）针对高光谱数据信息冗余度高、波段相关性强同时传统方法无法在标记样本匮乏的情况下进行有效特征学习的问题,提出一种基于光谱注意力的自监督卷积神经网络（Spectral Attention-based Self-supervised Convolutional Neural Network,SASCNN）用于高光谱图像分类任务。该算法基于编码-解码器原理,通过优化重构误差实现自监督学习目的,进而减小对标签样本的依赖。通过引入光谱注意力机制减小数据冗余,采用特征融合策略增强空-谱联合特征的鉴别能力,改善地物分类效果。（2）针对高光谱数据存在大量信息冗余,传统卷积神经网络模型性能受制于固定卷积核的影响而无法揭示HSI数据非欧结构分布的问题,提出了一种多尺度图学习联合注意力机制的高光谱图像分类策略（Mutiscale Graph Learning combined Attention Module,MSGLAM）。该算法综合使用卷积神经网络和图卷积网络来学习高光谱数据的局部细节特征和全局结构特征并将其融合用于后续分类任务。在此基础上,为全面探索高光谱图像多样化的空-谱相关性,构建了具有不同邻域尺度的输入图。该方法能够自适应地将从两种特征提取块中学习到的空间-光谱特征实现交互,而且空间-光谱注意力机制的使用能够缓解过拟合现象。在公开遥感数据集Houston、Heihe、Indian Pines和KSC上进行对比实验,实验结果表明相比于其他先进方法,本文提出的两种方法具有更强的特征学习和分类能力,能有效提升高光谱图像分类性能。