高光谱影像由卫星和机载传感器在数百个光谱波段捕获,其中富含光谱信息和空间信息,是遥感影像中重要的分支。空间信息可反映地物目标的分布,形状,规模等表层特征,而光谱信息则可以反映影像内部的物理结构,化学组成的区别。因此,HSIs在灾害探测、土地规划和环境监测等领域应用广泛。遗憾的是,目前的分类方法普遍存在上下文语义信息感知范围有限等缺陷。近年来,由于上下文信息能够显著增益分类性能,人们提出了大量有关上下文的分类方法,这些方法通过不同的方式去捕捉上下文信息,然而,这些方法需要巨大的计算资源和存储容量。本文针对高光谱遥感影像的丰富的空间-光谱信息,研究如何高效感知高光谱图像的上下文信息,降低模型计算复杂度,提升模型的泛化性。主要研究内容包括:1.针对卷积感知范围有限,全局上下文信息利用不充分等问题,提出了一种基于非局部特征图嵌入的高光谱遥感影像分类。该方法借助自注意力机制,捕捉全局上下文语义信息并构建特征关联图表示;并利用图卷积神经网络在图节点邻域范围内聚合特征并推理关联关系,对特征关联信息进行有效的特征嵌入和特征融合,从而构建可端到端训练的高光谱遥感影像分类模型。实验表明,该方法可以获得更为优异的分类结果,显著提高了分类性能。2.为了降低模型的计算成本,提升模型的泛化性,提出了一种基于轻量级图学习机制的遥感影像分类网络。该方法首先以FCN为骨干网络提取光谱空间特征,然后,轻量级图学习模块自适应学习像素之间的相似性来构建全局图,然后通过聚合图节点的邻域特征信息来推断节点之间的关联。实验表明,该方法不仅比其他分类方法有更好的性能,而且提高了计算效率。使得该分类方法泛化性更强,可应用于大规模数据。