高光谱遥感图像是由电磁波成像而成的包含非常多且窄的连续型光谱影像,其分辨率可达纳米级范围,成像数据中包含着丰富的信息。近年来,高光谱遥感图像因其自身包含信息丰富的独特性得到了世界各国的重视,并广泛地应用于土地资源调查与管理、环境实时监测、地质灾害评估等多个领域。然而高光谱波段间具有较强的相关性,光谱混合且维度高的特点增加了分类的难度。本文通过对高光谱遥感数据的深入分析,在深度学习网络的基础上对高光谱遥感图像的特征提取以及分类算法进行了改进。主要研究内容如下:1.结合深度学习网络中的堆栈稀疏自动编码网络对空间信息的提取方法进行了改进,首先利用PCA对图像数据进行降维,降维后的数据不同类别间的第一主成分差距较大,根据这些差异将中心像元的邻域信息进行排序、删除、重组和堆栈。最后将得到的空-谱信息输入到与Soft Max分类器相结合的堆栈稀疏自动编码网络中进行分类,得到了良好的分类效果。2.基于高光谱遥感标签数据难以获得的现状,提出了基于非局部信息特征融合的二级分类算法。首先对光谱数据进行降维,并通过光谱角匹配算法找到与中心像元最相似的一定数量的像元信息,然后将这些像元与原中心光谱堆栈形成新的光谱向量后直接输入到Soft Max分类器中进行一级分类,为了提高引入样本的准确率,对分类后的结果设置了一定的阈值,并将符合条件的光谱与原训练样本组成新的训练数据集输入到堆栈稀疏自动编码机中进行训练和分类,最后再进一步利用空间信息对分类结果进行修正,使分类结果更加趋于平滑。3.为了在分类过程中更加充分的利用高光谱的空间信息,提出了基于特征融合的高光谱遥感图像分类算法。首先分别使用主成分分析算法与局部线性嵌入算法对高光谱遥感数据进行不同方式的降维,然后再使用Gabor滤波器分别对降维后的数据进行信息提取,并将提取的信息与光谱信息堆栈、融合形成新的向量输入到堆栈稀疏自动编码网络中进行分类,得到了良好的分类效果。通过将上述改进后的分类算法结果与其它算法结果进行对比,验证了文中提出算法的可行性以及有效性。