遥感成像传感器的光谱分辨率的提高,使得通过地物光谱属性精细地识别和解译地物特性成为可能,不仅促进了遥感技术的发展,也使得高光谱遥感成为遥感领域最前沿的研究方向之一。高光谱遥感图像具有光谱波段多、光谱分辨率高和波谱信息丰富的特性,能够区分通常看起来相似的地物类别,从而实现地物特征的精确识别,也即具有更精细的地表覆盖信息识别和提取能力,但是存在空间分辨率低、信息冗余和维数灾难等缺点。正是机器学习、模式识别和人工智能等技术领域的快速发展,高光谱遥感图像分类研究得以飞速发展,也即如何利用高光谱遥感数据中包含精细光谱特征的优势,针对应用需求提出有效的分类方法,并提高分类器或模型的分类性能、泛化能力及智能化水平。人工智能实现地表智能解译,比如借助深度学习方法自动地处理遥感图像是目前比较前沿的研究方向。首先,深度学习技术源于人工神经网络的研究;其次,通过多层神经感知分析和解释数据;再者,深度学习具有自动特征工程和深层结构抽象的特点,有利于高光谱遥感图像分类精度的提升。就深度神经网络和特征学习而言,一方面,深度学习对输入的数据由低到高逐层进行特征提取,这种深层感知的结构形式有助于提高分类的精度;另一方面,特征工程能够根据不同的应用,自动地从海量数据中学习到所需的高级特征表示,以表达数据隐含的内在特征信息。深度学习模型可以在遥感图像地物分类任务中取得显著的效果。比如,卷积神经网络可以很好地获取遥感图像中的空间结构信息,捕捉像素与像素之间的空间特征及关联。因此,深度学习模型在地物提取中具有很大的优势。基于此,本文使用真实的高光谱图像数据集,对基于深度学习模型的高光谱遥感图像分类方法进行了研究。本论文的研究内容,主要包括:（1）胶囊神经网络在高光谱遥感图像分类领域的研究。通过选择高光谱图像作为研究的数据对象,探究胶囊神经网络在高光谱图像分类任务中的模型性能,重点关注胶囊神经网络的高光谱图像分类性能和特征提取能力;（2）深度残差网络和密集连接网络在高光谱遥感图像分类领域的研究。通过使用复合的跳跃式连接,设计了三种残差学习网络模型进行实验,研究不同残差学习网络模型的高光谱图像分类性能和深度抽象表征能力;（3）神经架构搜索技术在高光谱遥感图像分类领域的研究。基于自动的深度神经网络架构模型构建与搜索技术,对深度卷积神经网络模型的架构范式、模型设计、模型训练和超参数优化及自动选取进行了深入的研究;（4）设计和开发针对高光谱遥感图像分类任务的轻量级深度学习抽象程序框架。与之对应地,本文以深度学习理论与技术为主线,以高光谱图像分类为研究目标,充分利用深度神经网络在信息提取和特征表达方面的能力,以如何应用深度学习分类模型进行高光谱图像特征挖掘与数据分类为研究内容,取得了一些研究成果和实践经验,主要包括:（1）有限样本训练的胶囊神经网络实现高光谱图像分类研究。本文提出了一种能适应少量样本数据训练的胶囊神经网络算法,设计和构造相应的深度卷积网络框架,并与典型的卷积神经网络进行了比较。实验结果表明,胶囊神经网络经少量样本训练,依然能获得相对较高的分类精度,对于后验的最大预测概率也具有更高的置信度。（2）块式结构化残差学习网络实现高光谱图像分类研究。本文采用可比较的平行网络框架设计范式进行卷积网络模型间对比,克服更深的神经网络会导致精度降低的问题。与此同时,重用前一层中的特征可以优化每层生成的特征数量并防止信息冗余,对于深度卷积网络模型更好地适应高光谱数据具有重要意义。实验结果表明,顾及深度卷积神经网络的深度特征提取能力,经有限的样本进行训练学习,针对同样训练参数量,密集连接网络比深度残差网络训练时间更少,但是分类精度并没有提高。（3）权重共享的快速神经架构搜索实现高光谱图像分类研究。本文设计了一种针对高光谱图像数据分类性能提升和精度改善的快速神经架构搜索网络,以实现高光谱图像分类中深度特征学习的自动化和智能化水平。实验结果表明,与人工设计的最佳深度卷积神经网络相比,本文提出的神经架构搜索网络能充分地利用训练样本信息,即使只有少量的训练样本,也能够获得较高的总体精度、平均精度和Kappa精度,并且在神经网络模型设计、构建、搜索和生成方面更加科学和有效。（4）轻量级高光谱图像分类深度学习抽象框架设计和开发研究。本文提出的高光谱图像分类抽象框架HSN目标是开发一种类似Tensor Flow slim的框架,能够使构建、训练和评估深度卷积神经网络,或者说使高光谱图像数据分类的应用变得更为简单的抽象框架或库,并可以实现更高智能化水平的算法集成、创新发现和技术迭代。通过多种深度卷积神经网络的实现与集成,相关的实验表明,该抽象框架顾及了深度学习技术的先进特性和高光谱图像数据的独特性质。针对深度学习技术在高光谱图像数据分类中的应用,本文使用真实的高光谱图像数据集,从三个体现深度学习最先进技术水平的研究领域作为切入点,实现深度卷积神经网络在高光谱图像数据分类中的应用研究,通过设计和开发针对特定应用的高级抽象框架,实现精准地地表覆盖精细化提取和精确制图,并对高光谱图像分类框架HSN的开发原型进行迭代地更新和改进。实验结果表明,本文研究在三种最先进的深度学习分类模型研究基础上,提出的改进的卷积神经网络架构和训练的分类模型能够在高光谱图像数据分类中显著地提高地物目标识别和分类的精度,具有较好的应用前景,进一步促进了高光谱遥感地表智能化解译的发展。