高光谱图像具有数据量大和结构复杂等特性,基于光谱特征的传统算法分类精度往往较低,而基于深度学习的分类模型计算量较大、训练时间较长,且无法对水吸收波段进行有效地特征提取。为了解决以上问题,提出一种基于变维卷积神经网络的高光谱图像分类模型。构建变维卷积神经网络,使用3-D卷积核同步提取原始3-D高光谱数据的空间-光谱联合特征,将生成的1-D特征向量融合为2-D特征矩阵,对其进一步特征提取与分类,并在此过程中使用动态自适应池化、双重优化和自适应增强等算法对其优化,以提高特征提取的精度与模型的分类性能。实验使用原始数据作为模型输入,完成水吸收波段的特征提取,增强模型对水吸收波段的鲁棒性。针对训练时间过长的问题,通过在集群环境中构建基于GPU加速的分布式并行网络,提高模型的平均计算速度。通过实验可知,变维卷积神经网络在Indian Pines和Pavia University scene数据集上的分类精度分别达到99.18%和99.87%,高于其他分类算法;提取到的水吸收波段特征进一步提高了分类精度;并行化变维卷积神经网络大幅减少了训练时间。实验结果表明,通过在卷积神经网络中使用变维结构,可大幅降低模型的复杂度与计算量,实现对空间-光谱特征的充分提取,完成高光谱图像的空谱联合分类,并在较大程度上提高分类精度。此外,变维卷积神经网络还对水吸收波段有较强的鲁棒性,其并行化设计可有效提高分类效率。