近年来随着光学和电子学等学科的迅速发展,搭载在卫星、航空和无人机等采集平台上的高光谱传感器可以获取到更精细的光谱信息和更高的空间分辨率。高光谱传感器提供的详细光谱信息和空间域信息可以显著提升地物分类的准确率,因此在现代社会有着广泛的应用,例如生态科学、地质科学、水文科学和精细农业等。然而,高光谱影像分类技术目前仍然存在着很多难题,例如光谱维度的增加造成的维数灾难问题,大气散射条件的不同和云团的可变性等因素造成的同谱异物或同物异谱现象和利用有限的标签对数据信息分类等难题。目前,随着硬件的发展和大规模数据集的出现,深度学习技术在图像理解、自然语言处理和遥感等领域均显示出了良好的性能,它不仅可以从输入图像中提取到不同层次的特征,还可以有效地融合这些浅层的特征从而生成更抽象、更强大的可表征图像本身的高级特征。因此,本文基于深度学习提取高光谱影像中的空间域和光谱域的联合特征,提出了更加高效的高光谱影像分类算法,具体贡献如下:(1)提出一种基于聚合稠密卷积神经网络的高光谱影像分类算法,该方法通过引入自学习分组卷积结构,可在训练期间自动学习一个稀疏网络,在参数量较少的情况下提取高光谱影像中的空谱联合特征;提出一种基于多尺度稠密卷积神经网络的高光谱影像分类算法,该方法通过引入多尺度联合特征和任意时刻预测的特性,可根据高光谱影像地物类型分类的难易程度选择不同的网络结构进行分类。从结果可看出这两种方法不仅可以提高分类精度,还可以很好地改善同质区域和边缘区域的分类效果。(2)提出一种基于方向波稀疏特征和循环神经网络的高光谱影像分类算法,该方法首先采用了非下采样方向波变换提取高光谱影像中丰富的空间域信息,然后构建循环神经网络高效地学习高光谱数据的光谱间相关性以及光谱波段的变化性,从而有效地联合了空间域和光谱域信息,得到较好的分类效果。(3)提出一种基于扩展形态学特征和栈式卷积自编码器的高光谱影像分类算法,该方法首先采用基于导向滤波的扩展形态学算法提取高光谱影像的空域信息。为解决全连接形式的栈式自编码器忽略图像的二维特性,本文引入了栈式卷积自编码器,采用无监督方法对空谱联合特征进行特征压缩。最后采用了支持向量机进行分类。从各个数据集的分类结果可以看出,该方法对细节区域、边缘区域和同质区域都取得了较好的分类结果。