高光谱遥感图像一般都含有上百个光谱波段,并且达到了纳米级的光谱分辨率,这使其蕴含了丰富的地物光谱信息和具备其他遥感图像没有的特性。因此,高光谱图像广泛应用于农业监测、地质勘探和军事侦查等领域。其中,对高光谱图像进行分类一直是一个重要的研究问题,同时也是描述高光谱图像地物详细信息的关键技术。近年来,随着深度神经网络在图像处理方面取得了越来越大的成功,很多研究人员开始将卷积神经网络应用于高光谱图像分类。基于卷积神经网络的分类方法通常都是采用高光谱图像块作为网络的输入,但是因为图像的空间特性比较复杂,固定大小的高光谱图像块可能含有多种地物,其将会干扰卷积神经网络对图像块真实地物类别的正确判别,从而引起误分类问题。此外,传统的基于卷积神经网络的分类方法一般都是只利用了最后一层卷积特征进行分类,而没有充分利用前面层的卷积特征。针对以上的两个问题,本文提出了两种分类算法,并对算法的模型测试系统进行了软件界面开发。本文的主要内容总结如下:1)针对固定大小的高光谱图像块可能含有多种地物,容易引起误分类这一问题,本文提出了一种基于多阈值特征卷积神经网络的高光谱图像分类方法。根据不同地物由于像素值不同,其在网络中的响应也不同,本方法引入了一个多阈值模型,该模型通过采用多个阈值将特征图分解成代表不同地物的阈值特征图,然后通过网络的自动优化,灵活选择特征图,从而能够实现更精准的分类。实验结果表明,通过引入多阈值模型,能较好的缓解误分类问题,提高了分类精度。2)针对传统的卷积神经网络没有充分利用多层卷积特征进行分类这一问题,本文提出了一种基于多特征融合卷积神经网络的高光谱图像分类方法。该方法包含两种融合策略,第一种融合策略叫做多输出联合决策融合,该策略由卷积神经网络通过多个卷积层自动学习不同层级的特征,并在多个卷积层上分别设计输出层,然后由所有输出层的分类结果通过决策融合得出最终结果。第二种策略叫做多特征线性融合,该策略将多个卷积层的层级深度特征进行线性叠加融合,然后利用融合后的特征进行分类。实验结果表明,充分利用卷积神经网络的多层级卷积特征能够有效地提升分类效果。3)针对以上两种分类算法的模型测试系统,本文在Python3.6环境下,采用Pycaffe接口和Qt Designer工具对其进行了软件开发和界面设计。