随着卫星传感器技术的迅速发展以及遥感技术的广泛应用,给大家带来便利和机遇的同时也带来一系列新的难题与挑战,如:数据量急剧增加、冗余度高;光谱与空间结构复杂、数据维度较高;传统特征提取方法对图像复杂空间、光谱结构的表征能力差。在这样的大背景下,本学位论文框架将从传统特征提取算法和基于深度学习网络的方法出发对遥感图像分类问题展开研究,进一步提高遥感图像分类效果。本文主要的工作概括如下:（1）联合稀疏表示算法近年来被广泛应用于高光谱遥感图像的分类任务中,它可以在过完备字典上对输入像素进行稀疏分解,通过稀疏表示残差对测试样本进行标签分类,然而,该算法的分类性能易受稀疏表示字典对样本表达能力的影响。针对这一问题,本文从光谱波段特征、空间上下文信息和纹理结构特征三个方面研究了混合度量表示,如:信息散度、光谱角、巴氏系数等,在联合稀疏表示算法上的提升,并将所提取的像素相似性特征通过决策函数融合到联合稀疏表示算法中,进一步提高地物类别的可分离性,进而改善高光谱遥感图像分类任务的准确性。通过高光谱遥感图像真实数据集上的实验结果表明:在基于联合稀疏与混合度量表示分类方法中的三种算法能充分利用图像像素点的空间上下文信息、纹理结构信息和光谱信息,具有较高的识别分类结果,相比原始联合稀疏表示算法,分类性能大大提高。（2）相比于传统分类方法,卷积神经网络具备强大的自动学习能力,能够更好地探索图像空间、光谱维中的深层语义信息。但当使用卷积神经网络局部感受野提取高光谱遥感图像特征时,可能会造成特征图相同像素的特征表达不一致,影响分类结果的准确性。因此,本文将在深度网络模型中引入注意力机制以提高特征表达能力,并设计一种空-谱注意力聚合网络用于解决上述问题。该网络分为嵌入压缩-激励模块的光谱注意力分支和嵌入多尺度选择性内核模块的空间注意力分支。其中,光谱注意力分支通过引入注意力机制,对每个光谱波段赋予不同的权重信息,实现了波段重要特征的选择性学习;空间注意力分支采用不同尺寸卷积核对图像空间特征进行提取,并将不同卷积层互补的空间注意力特征进行聚合,避免不同卷积层表达信息量差异较大的问题。实验结果表明:通过在光谱特征和空间结构信息中引入注意力机制,可以提取连续光谱维度上最具代表性的光谱波段特征,大大增强了通道之间的相关性。同时,通过提取空间维度上不同层次的特征信息,大大丰富了相邻像素之间的空间上下文信息。（3）标签信息在高分辨率遥感图像场景分类监督学习中起着重要作用,但由于多种客观因素的影响,导致数据集给定的标签不牢靠,可能包含噪声标签。针对数据集标签不确定问题,本文设计了一种基于协方差表示的噪声标签检测算法,主要步骤如下:首先,使用预训练的卷积神经网络提取图像场景的深层语义特征,并采用主成分分析方法对第一个全连接层的输出向量进行降维。接下来,构建噪声训练集用于模拟标签噪声的实际情况。其次,计算噪声训练集样本间的协方差构成协方差矩阵,并按行取协方差矩阵的平均值,并通过设置决策阈值实现噪声标签的检测与去除。最后,利用支持向量机分类器评估改进后的训练样本集,从而证明所提噪声标签检测算法的有效性。实验结果表明,该方法在高分辨率遥感图像场景分类的噪声标签检测中取得很大提升。综上所述,针对高光谱遥感图像分类问题,本文通过在联合稀疏表示算法中引入混合度量表示实现了高光谱遥感图像的分类性能的提升,并设计了空-谱注意力聚合网络进一步提高图像的特征描述能力,并通过实验分析证明了所提算法的优越性。针对高分辨率遥感图像场景标签噪声样本问题,本文设计的基于协方差表示的噪声标签检测算法大大改善了数据集的质量,为场景分类数据集净化问题提供了一种新的思路。