高光谱图像由于波段多、分辨率高、信息量大等特点,近年来受到国内外学者的高度重视,高光谱图像的降维及分类处理也成为热点问题。传统的高光谱图像处理方法往往只能提取图像的浅层特征,而忽略了图像深层特征,同时该类方法不能兼顾高光谱图像的空间特征和光谱特征,难以得到较佳的分类效果。针对上述问题,本文利用基于深度学习的方法处理高光谱图像。首先,针对高光谱图像波段冗余度高的问题,使用基于深度子空间聚类的方法对高光谱图像进行波段选择,提高后续处理效率及精度。该方法利用卷积自编码器提取波段的潜在特征表示;自表达层利用所得潜在特征度量波段间相似度,得到相似度矩阵;最后对相似度矩阵进行谱聚类分析得到波段选择结果。为使深度子空间聚类网络性能更优,采用Leaky Re LU激活函数防止神经元坏死;采用小卷积核叠加的方式提取深层特征,更好地拟合数据;利用短接线将特征跨层融合,准确快速地提取波段潜在特征。在公开数据集上的实验结果表明,相较于其它传统方法或模型,基于深度子空间聚类的方法所选波段更具代表性,验证了该方法的有效性。其次,使用基于卷积神经网络的方法对高光谱图像进行分类。该方法以三维图像作为输入,充分利用高光谱图像的光谱及空间信息,挖掘图像深层信息。为了提高网络性能,引入Inception结构增强网络对尺度的适应性;引入瓶颈结构的残差块防止网络退化和梯度消失问题;采用批量正则化防止梯度消失并加快网络收敛;采用ELU激活函数避免神经元坏死问题;使用全局平均池化层替代全连接层,减少参数的同时防止过拟合情况的发生。在公开数据集上的实验结果表明,在分类精度指标上,本文改进的卷积神经网络优于传统卷积神经网络、人工神经网络以及SVM等方法。最后,利用上述高光谱处理方法对石家庄东部地区的Hyperion高光谱遥感图像进行处理。首先对Hyperion图像进行预处理,然后对预处理后的高光谱图像进行波段选择,最后结合地球化学污染数据评价该地区的土壤重金属污染情况。通过实验表明,本文方法评价土壤重金属污染情况的精度较高。