高光谱图像（Hyperspectral images,HSIs）丰富且精细的光谱信息有效涵盖了反映地物类别的本征特征,广泛应用于林业保护、文物保护等领域。但是影响高光谱图像分类精度的因素主要有两个,其一是光谱波段多且分辨率高所导致的“维数灾难”问题,其二是“同物异谱”、“异物同谱”问题。如何在高度冗余的光谱信息中提取出数据内蕴鉴别特征以避免“维数灾难”问题,并且进一步利用空间信息提升分类性能,是当前高光谱图像分类领域亟待解决的关键技术问题。本文结合深度学习端到端模型与流形学习相关理论,开展了基于深度流形融合网络技术的研究,主要研究工作与贡献如下:（1）鉴于深度学习方法忽略了利用高光谱数据内蕴流形结构进一步解决“维数灾难”以提升分类精度的问题,提出融合深度学习与流形学习方法的重构置信网络（Deep manifold reconstruction belief network,DMRBN）以提取高光谱遥感数据的深层鉴别特征。具体来讲,首先通过DBN提取到高光谱数据的高层抽象特征,然后引入流形学习中图嵌入理论构建类内图和类间图以进一步挖掘其内部流形结构,并设计基于深度流形重构的联合损失函数及其反向传播策略优化网络参数,实现在度量网络预测值和真实值之间残差的同时,加强了提取到的深层特征的可分性,与仅利用深度学习方法相比,显著优化了分类性能。（2）针对光谱异质性导致的“同物异谱”、“异物同谱”问题,提出了基于深度流形学习的半监督双流网络（Semi supervised dual path network,SSDPNet）,该网络由空-谱双流网络结构、半监督流形重构图和相应的融合方案组成。具体来讲,以神经网络（NN）作为光谱流,2DCNN作为空间流,分别提取深度光谱、空间特征。为了使提取到的特征更具有鉴别性,并且综合利用大量未标记样本,在图嵌入框架下设计了一种半监督流形重构图模型,以度量标记样本之间的流形边界且保持无标记样本中的局部几何结构关系。此外设计了基于均方误差和流形学习的联合损失函数以优化空间流与光谱流网络,并通过全连接层自适应调整两路网络权重,最后利用训练好的网络对测试像素的标签进行预测。