高光谱遥感集合光谱和成像技术实现光谱数据和空间图像的同步获取,成为遥感技术的重大突破。高光谱图像由成像光谱仪以连续窄波段对目标场景同步采样生成,具有“图谱合一”的结构特性,能满足对目标物体成分组成和形貌特征的探测需求,在分类识别方面具有突出优势,因而被广泛应用于精准农业、地质勘测、环境监测和生物医学等领域。伴随着成像技术的不断发展,高光谱图像的光谱分辨率也越来越高,在提供高质量光谱信息的同时也对高维数据处理提出了新的挑战。因此,发展高效的高光谱数据智能化处理方法实现精细化、自动化的信息解译具有重要的研究意义和实际的应用价值。高光谱图像分类作为高光谱数据解译的关键内容,一直是遥感领域的研究热点。深度学习方法因其强大的表征能力和灵活的体系架构取代传统方法成为当前高光谱分类领域的主流算法。然而,面对高光谱图像标记样本数目有限、光谱信息不确定和空间分布复杂的多重限制,如何提取有效的特征表示,提高高光谱图像的分类性能仍是具有挑战性的问题。本文以深度卷积神经网络为基础,围绕高光谱图像结构化表征的联合学习,从多种特征合作互补、优化建模机制和改善空间感知能力入手开展一系列研究,旨在构建高效的高光谱图像分类方法,通过提升模型的空-谱表征能力改善高光谱图像分类的准确性和可靠性。论文的主要工作内容和研究成果包括5个方面。（1）为了提高深度卷积网络的特征抽象能力并降低参数优化对训练样本的依赖性,提出了一种基于多尺度团结构网络的高光谱图像分类方法。现有方法以增加网络深度和宽度的方式提升其数据抽象能力,可能会导致有限训练样本下参数优化不充分的问题,进而影响特征表示的有效性。为此,本文提出具有交叉循环结构的多尺度团结构网络,通过构建尺度间的跳跃连接进行跨尺度的信息交互和自适应的局部上下文提取,并利用反馈机制增加计算层次,以高层次特征的反向复用指导低层次信息的二次优化,实现多尺度特征的进一步抽象。交叉循环结构在不加深模型现有深度的情况下,通过提高特征的多样性和抽象程度来增强网络的特征抽取能力,并以参数重用提升模型效率,减轻参数训练对标记数据的依赖。实验结果表明,该方法能提高分类特征的区分性,在有限的训练样本下也能获得优越的分类性能。（2）针对卷积网络空间感知范围有限导致难以捕获远距离依赖关系的问题,提出了一种基于类别特征融合的高光谱图像分类方法。主流卷积框架以像素的邻域立方体作为整体输入,并通过局部连接模式进行空间建模,其空间感知范围受输入尺寸和卷积核尺寸的双重限制。本文提出基于类别特征融合的全卷积网络,以全卷积框架实现不受输入尺寸限制的空-谱特征学习,并联合局部特征提取模块和类别特征融合模块实施从局部到全局的多层次空间关系学习。其中局部特征提取模块以特征循环优化保留低层次的细节信息和高层次的抽象特征,实现多层次信息的优势互补。类别特征融合模块利用粗分类机制捕获全局性类别特征,并构建从类别中心到单一像素的相似性度量,通过特征重构实现全局信息对像素特征的融合增强。实验结果表明,该方法能改善分类中的误分、错分现象,进一步提升高光谱图像的分类性能。（3）针对图像的空-谱结构先验利用不充分导致分类特征判别性受限的问题,提出了一种基于高效空-谱注意力机制的高光谱图像分类方法。通过深入分析现有注意力机制的工作原理,本文提出一种统一的注意力范式和对应的框架结构,并在该体系下根据高光谱数据“图谱合一”的独特性,构建新的高效空-谱注意力模块。本文提出的方法将高效空-谱注意力模块与密集连接的骨干网络结合,实现空-谱特征的逐层提取和全局优化。其中,高效空-谱注意力模块由无参数的光谱注意力和记忆增强的空间注意力构成,通过优化特征表示、深化信息交互和改善权值响应以极少的参数代价实施空-谱域的全局关系建模,在充分挖掘光谱特性和空间先验的同时实现性能和复杂度的平衡,具有较好的可解释性和泛化能力。具体地,无参数光谱注意力机制根据高光谱图像空间区域分布的特性,以多尺度结构化的通道表示实施全局交互,缓解空间分布复杂导致的通道表征不足;记忆增强的空间注意力机制基于图像的低维特性设置可学习的记忆单元,捕捉高光谱图像的有效语义编码,通过构建记忆原子到像素的依赖关系实现空间的全局交互。实验结果表明,以高光谱图像的结构先验指导模型架构设计,能更合理、高效地实现特征精炼,进一步增强分类特征的判别性。（4）针对边界样本空间结构刻画不足的问题,提出了一种基于多方向卷积的高光谱图像分类方法以改善网络的局部空间建模能力。卷积神经网络将待处理像元置于滤波器中心进行局部空间关系的逐层抽取。然而当像素位于类别边缘时,全窗口的计算模式会引入无关信息,增加类别间的信息扩散。为了解决这个问题,本文提出侧窗卷积将全窗口滤波器拆分为不同方向的半窗滤波器,捕捉具有方向性的空-谱特征。在此基础上进一步将多个侧窗滤波核整合到统一的卷积架构中,提出多方向卷积并以密集连接构建分类网络,赋予网络自适应学习多种空间结构特征的能力,弥补常规卷积和侧窗卷积只能建模单一方向空间关系的不足,提升模型对复杂空间结构的刻画能力。实验结果表明,相比常规卷积,多方向卷积能增强边缘样本的表征准确性,改善分类中的边缘混淆现象。（5）针对网络过度关注类内样本的特征提取而忽视边界样本的问题,提出了一种基于多方向对比增强的高光谱图像分类方法。高光谱图像分类中的错分现象多数集中在类别边缘。如果将类内样本和边界样本看做“正”、“负”样本,高光谱图像分类面临“正”样本和“负”样本分布不均衡的问题。分类网络过度关注“正”样本的空-谱表示、忽视“负”样本的特征刻画是造成了边缘混淆的原因之一。为了解决这个问题,本文提出多方向对比增强卷积网络,通过多尺度特征提取网络对镜面翻转构造的多方向数据提取骨干的空-谱表示,利用多方向对比模块实施多方向特征的自对比和相互对比,达到筛选细节结构特征和增强不变语义信息的目的。多方向对比机制基于边缘像素空间结构的复杂性和卷积固有的变换敏感性,对多方向特征进行纵向和横向的双重比较,增强网络对细节结构的关注,提高模型对边界像素的抽象表示能力。实验结果表明,该方法能提高难分类别的类别精度,获得优越的分类结果。