高光谱数据分类技术一直是遥感领域的热点问题之一,随着高光谱成像系统的进一步发展,高光谱数据的空间分辨率会更高,信息将更加丰富,传统的高光谱数据分类技术不能高效地利用高光谱数据的空间信息和光谱信息。为了将高光谱数据的空间信息和光谱信息有效的结合利用,提高分类精度,本文研究了基于深度学习集成的高光谱数据分类方法。本文的主要内容包括:首先,了解高光谱数据、深度学习和集成学习的基础知识,包括高光谱数据的特征,以及高光谱数据的分类,详细了解几种传统的高光谱数据分类方法,在了解和实现了几种传统的高光谱数据分类算法的基础上,对这几种传统的分类方法存在的不足加以分析。其次,为了提高高光谱数据分类的准确度,本文改进了基于深度学习集成的高光谱数据分类方法,具体的方法是将高光谱数据的光谱维进行随机抽取,分别以深层卷积神经网络、残差网络模型为个体子分类器,最后将所有子分类器进行多数投票的方式,确定最后样本的类别,得到比传统分类方法更好的分类精度。为进一步提升分类精度,迁移学习的提出有效地达到了该目的,将已经训练好的深度卷积神经网络模型的学习权重迁移到另一个深度卷积神经网络模型中,高效的提高了模型训练速度和分类精度。最后,本文研究了一种基于深度学习与随机森林集成的对高光谱数据分类的算法。首先,对高光谱数据在光谱维进行随机抽取,建立“森林”,其次在“森林”中进行空间维的随机抽取,形成“树”,同样以深层卷积神经网络模型为个体子分类器,采用迁移学习的方式进行权重迁移,多数投票的方式确定最后的样本类别。从实验中证明,该方法较于传统的分类方法对于高光谱数据分类是强有力的解决方法。