近年来,由于遥感传感器技术的不断创新发展,通过航天或航空的方式进行对地观测越来越全面,其中最具代表性的高光谱被动式遥感技术和激光雷达主动式遥感技术的应用已成为重要研究热点。其中,高光谱数据具有丰富的图像信息和光谱信息,不仅能够描绘地物的外观属性而且还可以表征地物的物理属性,由于高光谱数据维度多、数据量大、数据结构复杂,对于分类网络提出较高要求,且仅使用单一的高光谱数据难以实现精确的地物分类。激光雷达数据不仅包含地物精确的空间信息,而且还具有描绘地物的高度信息,但对几何结构相似的地物也难以实现准确分类。因此,通过将高光谱和激光雷达数据进行融合,可以实现两种数据源的优势互补和信息共享,形成独特的特征空间,为有效的地物分类提供数据基础,有利于分类精度的提高。鉴于高光谱和激光雷达各自的成像优势,本文通过构建双分支深度胶囊网络（Double Channel Deep Capsule Network,DCDCN）探索了这两种遥感数据源在城市地物分类上的应用。针对高光谱数据的特点,本文具体使用两层三维卷积结构来提取高光谱数据的空谱信息;具体使用两层二维卷积结构来提取由激光雷达生成的数字高程模型栅格图像的高程信息,通过对不同数据源特征信息的分级和分层学习,最终通过将提取的特征信息基于可学习特征空间相对位置和姿态关系即“位姿关系”的胶囊网络进行融合分类。实验表明,通过对两种数据源分别在各分支上进行适应数据特点的特征学习后,再融合分类,性能得到了较大的改善,其分类精度相比较于使用单一数据源提高了2%左右。针对胶囊网络层间的squash非线性激活函数,本文提出一种称为e-squash的非线性激活函数用于特征压缩学习。在三个含有高光谱和LiDAR数据的城市地物数据集上进行实验,结果表明当将squash激活更改为e-squash激活函数时,DCDCN在各数据集上将分类准确性提高了1%以上,尤其在联合使用高光谱数据和LiDAR高程特征数据融合分类中,进一步改善了分类精度。说明采用本文提出激活函数的DCDCN网络在城市数据分类方面比经典分类方法和未采用e-squash的胶囊网络具有更大的应用潜力。