高光谱图像包含大量的光谱波段,它是一种同时结合光谱信息和空间信息的三维图像数据。在现实生活中,高光谱图像可以应用到许多领域。例如:在农产品的检测中有助于种类识别;对地表建筑物的分类有助于城市管理;对病理图像的识别可用于疾病监控;对军事地图的分类能应用于国防建设。因此提出新颖高效的高光谱图像分类方法能够在众多领域中发挥重要的作用。为了提升高光谱图像分类的精确性,需要解决其高维度和样本少的困难。而深度卷积神经网络有助于挖掘图像数据中深层次的特征,所以本文提出了两种基于深度卷积神经网络的算法来提高分类性能,取得的研究成果如下:（1）从注意力机制的角度出发,利用空谱注意力机制和跨层融合的优点,提出了一种多尺度跨层特征融合注意力机制（Multi-scale Cross layer Feature Fusion Network Attention）的方法。首先对高光谱图像进行降维,然后利用3DCNN将中心像素和其相邻像素作为整体输入到网络中,对不同卷积层得到的特征进行融合。同时对融合的低层特征进行空间注意力机制处理,对融合的高层特征进行通道注意力机制处理,分配给它们不同的权重来优化特征图。通过对比实验和消融实验证明了此方法的有效性与合理性。（2）从增强感受野的角度出发,利用三维空洞卷积空闲块、多尺度和通道注意力机制的优点,提出了一种多尺度三维空洞卷积空闲块网络（Multi-scale 3D Dilated Convolution Idle Block Network）的方法。将降维后的高光谱图像输入到三维空洞卷积空闲块中,利用空闲块和空洞卷积的优点持续扩大感受野,并使用通道注意力机制分配不同的权重来重构高层特征图,从而带来了网络性能的提升。最后在三个公开数据集进行了实验,结果表明分类精度得到了提升。