高光谱成像技术在过去的四十年中经历了从相关资料匮乏到被广泛研究甚至在一些领域商用的过程。高光谱影像具有丰富的光谱曲线,传统的高光谱影像分类主要利用的是光谱信息,分类效果不是很理想。随着成像技术的发展,高光谱影像的空间分辨率也逐渐提高,空间信息和光谱信息相结合的方法受到越来越多学者的青睐。然而,提取空间信息的方法千差万别,而且有标记样本少、标记成本高,那么如何高效提取特征、扩增样本集一直是研究的关键。近年来,随着人工智能的兴起,深度学习技术逐渐进入人们的视野。深度学习最早兴起于图像识别,但是在短短的几年时间内,深度学习推广到了机器学习的各个领域。如今,深度学习在很多机器学习领域都有着非常出众的表现。本文利用深度学习在特征提取上的优势,将深度学习应用到高光谱影像的分类任务中,主要贡献为:针对深度网络训练难度高、特征使用效率低这一问题,提出了一种基于Clique Net网络的高光谱影像分类方法。该Clique Net网络模型通过跳跃连接机制实现不同层之间信息流传递的最大化,将来自高层的视觉信息带回来改进低级滤波器从而实现空间关注,选择性的加强具有重要信息量的特征。该方法采用主成分分析法先对高光谱图像在光谱维度上降维,将保留的前三个主成分送入Clique Net网络进行特征提取,最后送入分类器得到分类结果。在经典的三幅高光谱影像数据集上进行分类精度的测试,分类结果验证了基于Clique Net网络的高光谱影像分类方法是高效的。针对传统方法在空间信息上提取的特征单一以及高光谱标记的样本少这一问题,提出了基于特征融合和生成式对抗网络的高光谱影像分类方法。该方法首先将三种由特征提取算子提取的空间特征融合在一起,然后将噪声作为生成网络的输入生成假的样本,最后将融合的特征和假的样本送入改进的判别网络进行分类。这一方法不仅扩增了样本,而且还将不同算子提取的特征进行了融合,有效的利用了空间特征。针对卷积神经网络中的卷积操作是类间差异和类内差异的耦合,当内积大的时候无法判断是类内差异还是类间差异导致的问题,提出了基于Decoupled Network解耦网络的高光谱影像分类方法。该方法通过将卷积分解为幅值和角度解耦的形式,然后利用解耦算子重新构建网络,对类内差异和类间差异进行独立建模。该方法能够更快速的提取深层次语义特征,使得网络更容易收敛。通过在三个高光谱数据集上的实验验证了本算法不错的分类性能。