森林资源制图是森林资源调查、监测和管理的重要依据,其中树种分类是森林制图的基础。通过识别树木种类可以调查植被的空间分布、森林结构的组成及资源的动态变化。机载高光谱影像同时具备很高的空间分辨率和光谱分辨率,并且获取成本低,为树种分类提供了一种优质的数据源。随着深度学习理论的发展,研究人员将其引入到高光谱图像处理中。然而,基于深度学习的高光谱图像分类需要大量的训练样本,树种标签要通过野外勘察才能获得,标注难度高;树木几何形状变化多样,采用单一尺度的输入不能充分利用空间结构信息。此外,实际树种分布交叉错乱,使用深度学习的高光谱图像分类方法往往采用图像块作为输入,输入图像块中不可避免包含多种树木,给模型训练带来干扰。针对高光谱图像树种分类存在的上述问题,本文做了如下研究:1)针对树种分类标签获取困难且树种空间形状复杂的问题,本文提出了一种基于多尺度CNNs集成的自学习高光谱图像树种分类算法。该方法首先基于同一标签点裁剪多个不同尺度的图像块作为多个CNNs模型的输入,经过初始分类后使用概率多数投票算法融合多模型预测的结果。然后,为了最大化表征类间的性状差异,从预测结果中选择置信度高且两两之间具有较大差异性的样本添加到原始训练集进行下一次迭代训练。最后,在不断迭代自学习后训练集样本得到扩充,模型鲁棒性增强。在三个实际的树种分类数据集上进行实验,实验结果表明,本文提出的自学习分类模型在训练样本较少的情况下能取得较好的树种分类结果,有效的解决了训练样本不足的问题。2)针对神经网络的输入图像块中往往包含多个树种对模型训练产生干扰的问题,本文提出了一种基于空谱注意力机制的高光谱图像树种分类算法。该方法在空间域上通过计算中心点特征与其它点特征的相关性来抑制非同类特征对训练的影响,在光谱域上提取树种光谱波段间的通道依赖性,通过特征重标定专注于对树种分类最有用的信息。本文设计了一种端到端的高光谱图像树种分类网络,不需要前处理和后处理即可获得精度较高的分类结果。在三个树种分类数据集上的实验指标证明了本方法在训练速度及制图结果上的高效性。3)针对树种分类的应用需求,本文设计开发了一个树种分类辅助软件。该软件包含一个光谱分析工具箱并集成了上述两种分类算法,为用户提供了一种便利的树种制图方式。