高光谱遥感图像有几十甚至上百个连续的光谱通道和丰富的空间结构信息,但光谱信息有较高冗余性,图像中判别性特征提取较困难。针对这两个问题,本文重点研究波段选择方法和利用深度网络学习判别性特征去分类的方法,主要工作如下:(1)针对光谱信息冗余性高的问题,本文提出了基于局部潜能的聚类算法,去除原始波段中的冗余信息,选择更具代表性波段。波段局部潜能思想考虑了波段间的差异性,能更好刻画波段分布情况,并在提出的新排序规则中加入评价波段信息量的因素,使算法能发现更具代表性波段,特别是能发现具有丰富信息的边界波段。该算法的有效性在三个不同数据集上得到证明。(2)针对现有基于空谱融合的深度网络,较少考虑不同邻域的空谱信息融合,并存在网络加深分类精度下降的问题。本文提出了基于多尺度空谱融合的深度残差网络,采用多尺度输入、多残差块的思想来融合多个邻域的空谱信息,提取蕴含不同邻域空谱信息的判别性特征。残差块中恒等映射的思想使模型在深层网络中仍能保持较高分类精度。在三个不同数据集上,该网络的分类结果要优于其他方法。(3)针对现有深度网络较少考虑不同尺度特征间具有强互补和相关信息的问题,本文提出了多尺度深度中层特征融合网络。该网络充分融合不同尺度特征间强互补及相关信息,提取多尺度中层特征。在卷积层将多尺度中层特征进行融合,后续残差块可以提取更具判别性特征去分类。该网络的优越性在四个不同数据集,特别在训练样本较少的情况下得到验证。