高光谱图像因同时具有目标场景的空间几何信息与光谱信息,成为遥感数据分析领域重要的资源,被广泛应用于精确农业、环境监测以及军事等领域。基于高光谱数据的特征提取及分类技术一直是高光谱图像分析的基本问题,也是自动化农业和精确农业的基础,它的准确率将直接影响到农业环境监测、作物长势监测、品种识别等计算机视觉在农业应用中的性能。而现有成熟的特征提取方法主要利用线性或非线性的方程人为地设计和提取的特定的特征,这种人工选取特征的过程往往需要大量的专业的知识和经验,并且需要花费大量的时间。加之高光谱图片通道数量多、波段覆盖广、富含信息量大、样本稀缺,人工选取的特征提取方法使图像信息表达不充分,导致分类效果不理想。如何实现精确的、稳定的地物分类依然是亟待解决的重要问题。针对这些问题,本文基于近年来在图像处理任务中发展迅速的深度学习方法,从高光谱图像特征提取,高光谱模型优化与超参数调优,以及特征利用与分类三个方面对上述问题进行研究。本文主要的创新工作如下:首先,本文基于深度学习方法,对适用于高光谱图像分类的特征提取方法进行了研究。根据高光谱图像光谱信息量大,通道数较多的特点,设计残差三维卷积神经网络。使用三维卷积核作为同时提取空间几何信息和光谱信息的工具,克服了二维卷积神经网络在高光谱图像处理中参数冗余的问题。通过引入残差结构、“瓶颈”结构和特征归一化算法,实现了网络的加深和深度“空谱”特征的提取,从而得到更准确的特征表达。其次,针对深度学习网络参数调优和优化问题,对人工调整超参数和自适应算法调整超参数的方法进行了研究。超参数作为不能直接通过样本学习来调整的参数,往往需要丰富的训练经验和反复的实验进行优化。本文通过在人工预设超参数网络的基础上设定超参数选择空间进行自适应算法调参,有效地优化网络参数数量和训练时间,并且克服了超参数优化的复杂性。最后,针对特征利用和分类问题,对高光谱农田图像跨域分类的方法进行了研究。通过利用三维卷积核特征提取的优势和迁移训练的方法,仅通过目标数据集样本微调分类层,就可以实现共享参数的网络在一个具有较多标签样本的数据集中训练,和在一个具有较少标签训练样本的数据集分类的目标,并且两个数据间中完全不同的地物类别也可以准确分类。综上所述,本文研究了基于深度学习方法和高光谱数据结构特征的高光谱图像处理方法,并对该方法在高光谱跨域分类的应用中进行了有益的探索,具有一定的理论意义和应用价值。