高光谱图像包含从可见光到红外光谱的数十到数百个波段。近十年来,高光谱图像分类已经成为高光谱领域一个活跃的研究课题。高光谱图像分类的主要目的是对高光谱图像中所感兴趣的地物类别进行准确且高效的划分,高光谱图像分类已经被成功应用于生态科学、地质科学、水文科学、精准农业、军事等诸多领域。本论文主要是针对于高光谱图像分类进行算法的研究,通过结合目前一些较为流行的性能优秀的分类算法,在其的启发和基础上开发出针对于高光谱图像分类的优秀算法。首先通过利用一种新的基于级联结构的深度神经网络算法思想提出了一种适用于高光谱图像分类的算法。虽然深度模型在高光谱图像分类中取得了令人印象深刻的结果,但往往需要大量的标记样本来调整深度模型中大量的参数。周志华提出了一种新的深度神经网络方法(gc Forest),与深度神经网络相比,gc Forest更容易训练。该方法采用级联结构,在大范围的任务中获得了极具竞争力的性能。基于这一级联结构模型,我们提出了一种级联支持向量机的结构,在此结构中,我们使用支持向量机替代了随机森林,这是因为在高光谱图像分类的处理中不需要进行多粒度扫描。并且为了增加各层之间的信息流,还引入了紧密连接的结构,该结构能够对原始特征进行增强从而形成增强特征。此外,在形成了增强特征之后,采用了基于多尺度超像素分割的两轮多数投票来引入了空间信息。接下来,基于级联支持向量机提出了一种新的分类模型,该模型将多个特征提取方法与级联支持向量机相结合,在级联支持向量机的每一层中加入不同的特征提取方法对输入进行特征提取。不同的特征提取方法之间能够形成互补,从而对高光谱图像进行了十分充分的信息提取,使得高光谱图像分类的精度得到了提升。最后,一种新的网络结构被应用于高光谱图像分类中,该结构将Gabor滤波器引入到了卷积神经网络中,通过使用Gabor滤波器来调节卷积滤波器,形成了卷积Gabor方向滤波器。将卷积神经网络中的卷积层使用卷积Gabor方向滤波器进行替换,就得到了我们所使用的Gabor卷积网络。该网络能够增强深度学习特征对方向和尺度的适应性,通过实验证明了该网络在高光谱图像分类中具有优秀的表现。