高光谱图像含有丰富的空间信息和光谱信息,能够满足地物分类的要求,在许多实际场景中已得到广泛应用。深度学习因其强大的特征学习能力和分类能力被广泛应用于高光谱图像分类。论文主要对基于卷积神经网络的高光谱图像分类方法展开深入研究。首先,针对高光谱图像标记样本有限和光谱高维的问题,提出一种基于改进多尺度三维残差卷积神经网络的高光谱图像分类框架。对三维卷积进行改进,并与多尺度滤波器和残差单元相结合,提取图像的深层抽象特征。该方法考虑了训练样本与网络深度的平衡问题,降低了参数量,有效提高了分类精度。其次,针对卷积神经网络连续卷积池化操作过程中存在的图像信息丢失问题,提出一种基于多尺度空洞卷积神经网络的高光谱图像分类方法。该方法引入空洞卷积,构建多尺度聚合结构,通过使用不同的空洞率提取图像多尺度特征,并在多尺度通道中使用快捷连接,加速收敛,防止过拟合。再次,在印第安纳州松树林数据集和帕维亚大学数据集上对论文提出的方法进行性能评估,并与其他分类方法进行对比,实验结果表明了提出方法可以提取更好的分类判别特征,实现更高的分类性能。