高光谱成像是一种将成像技术和光谱技术成功结合的多维信息获取技术，同步探测目标地物的二维几何空间信息和一维光谱信息，获取具备分辨率高、光谱波段窄的影像数据。高光谱影像数据集地物样本的图像信息和光谱信息于一身，图像信息可反映地物目标的规模、分布、形状等外部特征，而光谱信息可反映样本内部的物理结构、化学组成的差异，所以高光谱影像数据具备“图谱合一”的性质。而正是由于这一性质，使得高光谱遥感影像在环境监控、军事戒备等众多领域有着不可估量的应用前景和发展潜力。地物分类技术作为高光谱遥感影像的重要研究内容之一，近年来也得到了越开越多来自国内外的关注。本文是在深度学习的理论和模型框架下针对高光谱遥感影像地物分类技术展开研究，在充分利用高光谱影像数据丰富的光谱信息和空间信息的同时，改善传统方法中存在的光谱冗余以及高光谱数据本身存在的“同谱异物”“同物异谱”等诸多问题。主要工作内容包括:
　　1.基于空间信息和谱间信息结合的栈式自编码模型的高光谱影像分类方法。因为栈式自编码模型在特征学习阶段考虑到邻域信息并且实现了最大化类之间的特征差异，因此特别适合用于高光谱影像分类。从特征层面出发，文中提出了将高光谱影像的光谱特征和空间特征相结合的形式输入栈式自编码网络模型，将单个像元周边邻域的空间信息融入本身的光谱信息之中，实现“空谱同步”，随后把该特征视为寻优结束模型的输入，实现分类准确率的提升。
　　2.基于三维卷积神经网络的高光谱影像分类方法。卷积神经网络作为当下使用最为广泛的深度学习模型之一，因其独特的局部感受野和权值共享策略使得网络模型参数的数量大幅度降低。本文提出一个改进的三维卷积神经网络，将三维核函数用于高光谱影像分类，从而充分利用了三维高光谱影像数据的结构特征。出于使高光谱影像数据的特征图分辨率免于降低，在原有的三维卷积神经网络中删去了池化层。