高光谱图像分类旨在将高光谱图像中的所有像元分配至一组特定的类别中去,是高光谱图像处理领域最活跃的研究课题之一。同普通自然图像不同,高光谱图像较高的光谱维度,较高的空间变异性与光谱变异性,为高光谱图像分类任务带来挑战。卷积神经网络天然适合处理图像数据,且其在自然图像上的优异表现,很自然地被引入高光谱图像分类中。因此本文基于卷积神经网络设计高光谱图像分类框架。同时借鉴生物的视觉注意机制,为网络设计注意力模块,对模型进行性能上的改进。改进模型的推理过程,消除推理过程中的冗余计算,提高模型推理效率。具体而言:1.针对高光谱图像光谱维度高,存在混合像元的特性。提出了基于光谱分割策略与类别约束的高光谱图像分类框架。光谱分割策略能够有效减少模型输入数据的维度且不丢失任何原始光谱信息。类别约束结构通过对神经网络的输出特征进行分组与约束,使网络对各类别的特征提取相互分离、独立,更符合高光谱图像存在混合像元的数据特性。实验表明本文所提框架与现有分类框架相比有更好的分类性能。2.针对高光谱图像较高的空间变异性与光谱变异性,为模型设计了空间注意力模块,光谱注意力模块,以及空-谱联合注意力模块。空间注意力模块通过提取输入中有利于分类的像元,抑制干扰特征提取的像元,用于处理高光谱图像空间变异性;光谱注意力模块通过提取数据有用的波段,抑制噪声波段来处理高光谱图像光谱变异性;联合空间注意力模块与光谱注意力模块设计空-谱联合注意力模块。实验表明,本文提出的注意力模块能够进一步提升模型的分类性能,且模块可以被集成进任何基于卷积神经网络的模型中,拥有一定的可扩展性。3.针对所提基于光谱分割策略高光谱图像分类框架在工程实现上较为繁琐,训练与推理效率低的问题。使用分组卷积统一光谱分割与特征提取流程,设计能够进行端到端训练和推理的网络模型。并通过调整卷积网络中各层在推理阶段时的数据处理行为,在不改变已训练网络各参数的前提下,使网络能够接收全图作为输入,进行一次性全图的推理,从而避免推理过程中的冗余计算。实验表明,进行等效设计的模型在性能上能够逼近原模型最好的结果,同时在训练和推理的速率上有极大的提高。