近年来,随着高光谱遥感技术的不断发展,遥感数据的维度也随之不断增加,为高光谱数据的分类问题带来了新的挑战。那么,面对着高光谱数据的高维度、强相关性、非线性以及大数据量等特点,如何进行高效的信息提取并分类,成为目前高光谱遥感领域的重要问题。针对深度学习模型在高光谱遥感图像分类中的难点,本文展开了深入研究。提出了一套完整有效的高光谱遥感图像的分类方案,首先将依据高光谱数据的原始样本生成虚拟样本以缓解数据不平衡问题;然后,引入三维卷积神经网络模型提取高光谱数据立方体的三维空谱特征,并融合密集残差连接的框架来构建更深层次的网络,提取更具有表达力的空间光谱特征,以提高图像分类的精度;最后使用交叉验证的方式增强模型的泛化能力并结合条件随机场优化分类结果。本文主要内容如下:(1)针对高光谱遥感图像数据的数据不平衡问题,引入虚拟样本,通过混合原始样本和虚拟样本以提高高光谱图像数据样本的数量来缓解数据的不平衡性。(2)针对高光谱遥感图像三维立方体数据的问题,将三维卷积神经网络模型引入高光谱遥感图像分类中,充分利用高光谱遥感图像的空谱特征,增强了算法分类精度,突破了传统算法特征描述单一,空间信息利用不足的局限性。(3)针对由于网络层数的增加而导致的网络退化的问题,即分类识别的准确率的增长速率随着网络层数增加出现不增反降的现象,引入了一种深度密集残差连接框架,提出了DR-3D-CNN算法,有效缓解了网络的退化。(4)使用交叉验证的方法来增强模型泛化能力,并结合条件随机场优化分类结果。通过实验对比验证了本文算法的有效性和先进性,有效提高了高光谱遥感图像的分类精度。