随着非接触探测水平的持续发展,遥感图像技术呈现出向多波段和高分辨率变换的趋势,由于多维的结构包含了更加充分的地物信息,高光谱图像逐渐成为遥感技术的重要研究方向。目标检测与分类是高光谱图像技术中的关键组成部分,在环境监测、农业管理、军事和道路规划等研究领域具有重要作用。然而高光谱图像数据还存在光谱信息冗余、空间结构信息复杂、标记样本数量较少等问题,增加了精确实现分类任务的难度。本文从深度学习理论出发,在充分分析图像结构和样本分布的基础上,基于卷积神经网络和胶囊网络构建分类模型,利用多维数据信息提取具有更高辨别力的融合特征,达到提高分类效果、减少受标记样本数量限制的目的。论文的主要研究内容包括:首先,通过分析经典高光谱图像数据集的结构信息和分类性能指标,制定分类工作的具体流程。作为全文的基础,本文详细分析并研究了深度卷积神经网络的典型结构组成和基础理论,阐述了其在特征提取领域的优势以及不足之处,引出对胶囊网络的理论研究,进而对胶囊神经元以及胶囊网络结构的原理以及优势做出细致的阐述。其次,在三维卷积神经网络的基础上,利用多区域特征融合方法构建网络对高光谱图像标准数据集进行分类。针对网络输入像元块可能存在的混合像元问题,采用多区域分支网络和特征融合的思想,在利用全局信息以及局部空间信息的基础上,更加有效地提取图像数据的空间特征,进而提升网络最终分类的准确度。与一般的基于卷积神经网络的分类方法进行对比,该网络在两个标准数据集上均达到了较高的分类准确率。最后,基于深度卷积胶囊网络构建高光谱图像分类模型,并提出了两种多尺度结构,在利用胶囊的向量化表示能力提高特征的分辨力的基础上,增加了网络的宽度,提升模型辨别各种类别目标物体的能力。对比实验的结果显示,在少量带有标记的训练样本情况下,本文方法具有较好的分类性能。