随着遥感技术的发展,多光谱图像在日常生活中和军事上的应用越来越广泛。多光谱图像不仅承载了地物的形态和结构特征信息,还包含了地物的光谱特征。利用多光谱图像数据对地物进行分类,是遥感图像领域一项重要的科研课题,具有显著的理论价值以及实际应用价值。随着图像中包含的信息量越来越大,传统的图像分类方法由于其挖掘图像特征的能力有限,无法充分地提取有用的分类信息,已经难以满足实际应用的需求,而随着深度学习在图像方面的应用,深度学习表现出了强大的图像特征表达能力,成为一种挖掘图像深层特征和分类信息的新方法。另外,多光谱图像虽然光谱信息比较丰富,但其空间分辨率通常比较低,空间细节信息较少,这在一定程度上影响了对多光谱图像的分类结果。为了解决这个问题,通常需要通过图像融合的方法,获取更多的空间细节信息,进一步提高对图像的分类效果。论文以多光谱图像为基础,深入开展了基于注意力机制和深度学习的多光谱图像融合及地物分类的研究,利用实际地物数据进行实验仿真,主要内容为以下三个方面:1.提出了基于注意力机制和DenseNet的多光谱图像地物分类。在DenseNet中,随着特征图数量逐渐增多,会产生一定的信息冗余,并且在众多特征图中有一些特征对分类任务非常有用,而有些特征对分类任务的用处并不太大,于是提出了一种基于注意力机制的DenseNet网络,并将这种网络命名为加权DenseNet网络。该网络能够更加关注对分类效果有用的特征,忽略对分类作用不大的特征,减轻信息冗余的问题,提高多光谱图像分类任务的效率,增强分类效果。2.提出了基于复数加权DenseNet的多光谱图像地物分类。目前大多数神经网络都是在实数域上搭建的,但是,研究表明复数神经网络具有更强的特征表达能力,也具有更强的鲁棒性。因此,将加权DenseNet拓展到了复数域上,提出了一种复数加权DenseNet网络结构,使得网络能够更有效地提取和表达图像的特征,分类效果更加准确有效。3.提出了基于复曲波融合网络的多光谱图像融合及地物分类。通过对多光谱图像和全色图像进行融合,能够结合两种图像的优点,获得更多对分类有用的信息。由于曲波变换具有很强的各向异性,通过曲波变换对两种图像进行融合,可以增强对图像的表达能力。因此在复数加权DenseNet的基础上,结合曲波变换,提出了一种基于曲波变换的复曲波融合网络,进一步改善对多光谱图像的分类效果。