遥感高光谱图像是包含丰富的辐射、空间以及光谱信息的“图谱合一”立方体数据,是多种信息的综合载体。由于能够在像素级区分地物类型,高光谱技术已广泛应用于环境监测、地质勘探等领域。其中,精确分类高光谱图像中的每个像素是此类应用的基础。然而,受限于高昂的标注成本,高光谱图像分类任务中的监督样本通常较少;同时,受光照环境、混合像元、高维冗余信息等因素影响,高光谱数据存在明显的类间距离小、类内距离大的问题,严重限制了有限样本下高光谱图像的分类精度。为了充分利用高光谱图像的内在结构信息以进一步提升对地观测能力,本文以深度学习理论为基础,结合地物的结构先验知识,探索了一系列高光谱图像的深度结构化空谱建模与分类方法,主要包括以下五点:（1）针对由标注样本较少导致的网络难以训练及性能退化严重的问题,提出了一种用于小规模样本下高光谱图像分类的空谱卷积稠密网络方法。高光谱图像维度普遍较高而训练样本往往有限,深度神经网络通常难以高效地学习不同地物的空谱结构特征。所提方法通过将常规卷积分解为光谱一维卷积与空间二维卷积的方式解耦高光谱图像的“空谱”结构,在保持特征判别性的同时大幅度减少参数,有助于小样本下的网络训练。稠密连接的引入使得网络能够生成由浅入深的稠密分层特征,缓解梯度消失的同时实现特征复用。此外,不同于基于局部图像块的传统网络方法,该算法以大尺寸图像为输入,能够避免因小图像块切分导致的空间信息利用不足的问题,亦使之具备全像素并行分类能力,在提升分类精度的同时大幅缩减推理耗时。实验结果表明,该方法在小规模样本下具有良好的分类性能,同时其在线分类时间短,远小于同类方法。（2）针对由卷积核形状固定导致的高光谱图像中跨类别边缘区域存在较高分类误差的问题,提出了一种形状自适应卷积的高光谱图像深度分类方法。常规卷积网络中的卷积核由于缺乏形状自适性,导致难以建模不同地物的复杂结构,在分类地物边界区域时容易造成过平滑。所提方法通过利用子网络从高光谱图像中抽取地物的分布模式,刻画不同空间位置处的地物结构,并以此引导卷积核动态地改变形状,使其具有自动适配不同地物结构的能力,进而抑制跨类别边界的不规则性和不可预测性并提高跨类别区域的特征学习。实验结果表明,在跨类别边缘区域,所提出的内容引导卷积算法能够根据地物的空间结构自适应调整核形状,在卷积过程中自动适配不同地物的结构模式,具有优秀的细节保持分类能力。（3）针对卷积神经网络难以建模高光谱图像中不同地物间的依赖关系并导致其空间结构信息利用不充分的问题,提出了一种联合卷积神经网络与图神经网络的异构深度网络方法。卷积神经网络一般用于处理欧氏结构数据,而图神经网络则用于非欧结构数据的建模与特征学习,二者在数据结构上存在固有矛盾。所提方法通过建立图节点与图像像素间的映射关系,将卷积神经网络与图神经网络整合到同一网络框架中,能够同时利用卷积网络与图网络建模高光谱图像中不同地物的欧氏域以及非欧域空谱结构,并提取其像素级和超像素级互补特征。最后通过融合两种不同结构的特征,所提方法能够同时学习不同地物的长-短距离空间拓扑依赖关系,从而促进地物的结构表征与识别。实验结果表明,欧氏域像素级特征与非欧域超像素级特征具有良好的互补性,所提方法具有优异的分类精度和推理速度。（4）针对基于单一尺度超像素分割的图神经网络无法充分表征高光谱图像复杂空间拓扑结构的问题,提出了一种高光谱图像分层超像素结构化的图U-Net分类方法。为了降低图神经网络的计算量,高光谱图像通常被预处理为基于特定超像素分割的图,致使其空间拓扑结构的建模被限制在同一尺度,进而导致其空谱结构表征不充分。所提方法通过逐步合并相邻超像素来构建从细到粗的分层分割,然后将其转换为分层图,建立了高光谱图像在不同尺度上的拓扑结构。同时,基于分层超像素间的合并关系构建了池化和反池化函数,能够将特征在相邻层级的图之间互相传递,从而使得不同层级的图能够在单一网络框架中协同工作,在不同层级的图上学习不同尺度的互补特征。实验结果表明,通过由细到粗地提取分层多尺度特征再由粗到细地融合它们,所提方法能够获得相较于单一尺度的图网络更高的分类性能以及鲁棒性。（5）针对图神经网络难以应用于大尺寸高光谱图像的问题,提出了多尺度聚合图卷积的高光谱图像判别分类网络方法。为了捕捉不同地物间的长距离依赖关系,图神经网络通常工作在基于全图超像素分割的大图上。在面对大尺寸高光谱图像时,过大的图导致难以计算。所提方法通过在大图上采样待分类像素的相关节点和对应的边以将其分解为若干子图,进而能够以批次计算的方式处理任意规模的高光谱图像。为充分利用子图所涵盖的拓扑信息,提出的多尺度聚合图卷积算法能够在每一层变换中提取并融合子图的多尺度特征。此外,还提出了用于提升高光谱深度特征表达紧凑性的判别分类器,通过计算类级特征表达,显式度量类间及类内距离,能够引导网络学习更具鉴别性的样本特征嵌入。实验结果表明,所提方法具有优异的批次分类精度,同时,判别分类器亦能够促进特征的紧凑性表达并进一步提升分类性能。