近年来,伴随遥感技术的飞速发展,高光谱遥感技术逐渐迈入大众视野,一路成为领域内发展前沿。同时,日益成熟的成像光谱仪技术,给高光谱图像的质量提供了有力保障。高光谱图像中含有几百个狭窄连续的波段,能提供丰富的空间信息和光谱信息。目前,高光谱图像地物分类是高光谱图像处理技术的前沿科研课题。通过对地面物质信息的观测可以很好地服务于国防安全、食品安全、地质勘探、环境保护、城市建设等领域。同时,因为高光谱图像具有数据量大、冗余度高、波段之间相关性强等特点,所以很大程度上提升了分类与识别的难度。目前,高光谱图像降维处理与分类识别已经成为处理高光谱图像的关键问题,所以对其进行研究具有重要的理论意义和应用价值。本文在传统的高光谱图像降维算法以及分类方法的基础上,从以下两个方面开展研究,主要研究内容如下:1.基于主成分分析法(PCA)与MKt-SNE结合的高光谱图像降维方法。首先在保证基本信息不丢失的前提下,利用PCA算法实现一次降维,其次利用MKt-SNE算法(改进的t-SNE算法)进行二次降维,可以更好地提取高光谱图像的本质特征。其中,MKt-SNE算法克服了传统的t-SNE算法中受高维空间样本分布影响、变量之间具有相关性干扰等问题。与PCA算法结合后,不仅考虑到高光谱图像中线性数据与非线性数据共存的特点,而且克服了 PCA算法投影结果混叠、线性不可分,MKt-SNE算法占用内存大、运行时间长的问题。实验结果表明,与PCA、t-SNE、MKt-SNE、PCA-t-SNE相比,PCA-MKt-SNE算法降维效果最好,DBI指数最多可降低1.1722,DI指数最多可提高0.1087。同时,PCA-MKt-SNE算法降维时间低至45s,与MKt-SNE算法相比减少了 49s。因此,在保证运算速率的前提下,该方法有效地提高了分类精度和运算速率。2.融合多层特征SENet和多尺度宽残差的高光谱图像分类方法。首先利用PCA-MKt-SNE 算法进行降维,其次分别训练多层特征 SENet 网络模型以及多尺度宽残差网络模型,并利用加权平均的方法将两个模型分类后得到的结果进行融合,从而提高高光谱图像的分类精度。其中,多层特征SENet网络模型一方面提升了有效分类特征、抑制了无效分类特征,另一方面克服了高层及中间层信息被忽略的问题,多尺度宽残差网络模型摆脱了计算资源利用率低的问题。融合后的分类模型与传统模型相比,实现了分类器性能的互补,使得分类方法更稳定、更鲁棒。实验结果表明,SE-Inception-Resnet-MSWideResnet(SEIR-MSWR)网络模型的总体分类精度高达99.63%,Kappa系数为0.99时,分类效果最优。相较于SVM、K最近邻法(KNN)、宽残差网络(WRN)以及InceptionV2-Resnet,总体分类精度最多可提高6.85%,Kappa系数最多可提高0.06。同时,从分类的结果中可以看出该算法在准确率上有了一定的提升。