近年来, 基于深度学习的模型在高光谱图像(HSI)分类方面效果显著。 针对小样本数据基于深度学习的高光谱图像分类方法分类精度不高的问题, 提出一种融合卷积长短期记忆(ConvLSTM)和多注意力机制网络的高光谱图像分类方法。 该方法分三个分支: 光谱分支、 空间X分支和空间Y分支分别提取光谱特征、 空间X特征和空间Y特征, 并将三个方向的特征融合进行高光谱图像分类。 由于ConvLSTM在学习有价值的特征和对光谱数据中的长期依赖关系建模方面表现出良好的性能, 所以在光谱分支中用了3个隐藏层、 卷积核大小为3×3、 通道分别为150、 100和60提取光谱信息。 在空间X分支和空间Y分支, 采用基于DenseNet和3D-CNN的Dense空间X块和Dense空间Y块分别提取空间X特征和空间Y特征。 为了增强特征提取, 在这三个分支中还分别引入了其特征方向的注意力机制, 针对信息丰富的光谱波段设计了光谱注意块, 信息丰富的像素点分别设计了空间X和空间Y注意块。 在三个公开的高光谱数据集上进行了实验, 即Indian Pines(IP)、 Pavia University(UP)和Salinas Valley(SV)数据集; 并对比了其他五种方法: 基于RBF径向核的支持向量机模型(SVM)、 更深更广的卷积神经网络模型(CDCNN)、 快速密集光谱-空间卷积网络模型(FDSSC)、 空谱残差网络模型(SSRN)、 双分支双注意力机制网络模型(DBDA)。 实验中, IP数据集上训练样本和验证样本的大小设为总样本的3%, UP和SV数据集上训练样本和验证样本的大小设为总样本的0.5%。 该方法和所有基于深度学习的方法, 批处理大小均设置为16, 优化器设为Adam, 学习率设置为0.000 5, 并动态调整学习率。 由于SVM直接利用光谱信息进行分类, 输入样本块像素大小为1×1, 其他基于深度学习方法的输入样本块像素均设置为9×9。 实验结果表明, 该方法能充分利用高光谱图像的光谱和空间特征, 在OA、 AA、 KAPPA等评价标准上均获得了更好的效果, 其中, 该方法的OA指标比次优的算法平均提高0.12%～2.04%。

为了提高在少标签数据条件下的地物分类精度，提出一种利用高光谱图像（HSI）数据与机载激光雷达（LiDAR）数据进行对比学习的地物分类方法。首先利用不带标签的HSI数据与LiDAR数据进行对比学习，通过对比学习可以建立这两种数据的空间特征之间的联系，实现对这两种数据的空间特征提取；设计了卷积模块与Transformer模块相结合的网络，使模型能够利用提取出的局部特征建立全局交互关系。在Houston 2013数据集和Trento数据集上进行对比实验，所提方法的分类精度高于其他多源数据融合地物分类的对照方法，在Houston 2013数据集上当每类标签样本量为5时，所提方法的分类精度比对照方法提高20.73个百分点，在Trento数据集上当每类标签样本量为2时，所提方法的分类精度比对照方法提高8.35个百分点。

针对如何在训练样本有限的情况下更加充分提取和利用高光谱图像的空间信息和光谱信息这一问题，提出一种基于双通道特征增强（DCFE）的高光谱图像分类方法。首先，设计两个通道分别捕获光谱特征和空间特征，在每个通道中使用三维卷积作为特征提取器。然后，将降维后的光谱通道中的特征图与空间通道的特征图进行融合。最后，将融合了光谱特征和空间特征的特征图输入注意力模块中，通过提升重要信息的关注度和降低无用信息的干扰来实现特征增强。实验结果表明，所提方法在Indian Pines（3%训练样本）、Pavia University（0.5%训练样本）、Salinas（0.5%训练样本）和Botswana（1.2%训练样本）等4个高光谱数据集上的总体分类精度分别为96.57%、98.15%、98.95%和96.83%，与其他5种高光谱分类方法相比，所提方法在分类性能上取得了明显提升。

针对高光谱图像分类中小规模训练样本下空间信息利用不足和分类精度下降问题，提出一种联合超像素降维和类别后验概率优化的高光谱图像分类方法。首先根据高光谱图像的空间纹理结构，采用熵率超像素分割算法自适应地识别均匀同质超像素区域，对每个区域逐一应用主成分分析，挖掘能表征图像空间-光谱信息的超像素混合特征；然后将混合特征输入支持向量机中计算各像元初始类别概率向量，采用扩展随机游走算法利用图像空间邻域信息对初始类别进行后验概率优化；最后根据各像元最大类别概率确定分类结果。在Indian Pines、Pavia University和Salinas等3组通用高光谱数据集上开展实验，与其他6种方法进行对比，实验结果表明：在有限训练样本条件下，所提方法的总体分类精度分别为98.29%、97.29%和99.72%，优于对比方法的分类结果。

稀疏表示广泛用于高光谱图像分类任务中。针对字典原子空间信息和光谱信息未得到充分利用的问题，提出了基于空谱字典的加权联合稀疏表示高光谱图像分类算法。计算测试像元与字典原子的空谱联合距离，选择相似度最高的K个字典原子，并将被选择字典原子的超像素邻域扩充到新的字典中，形成空谱字典。在联合稀疏模型中，对测试像元的超像素邻域像元使用不同的权重，在空谱字典上构建加权稀疏表示模型。基于所选的两个高光谱数据集的实验证明所提算法能够有效地提高分类精度。

为了减少高光谱图像的训练样本, 同时得到更好的分类结果, 本文提出了一种基于密集连接网络和空谱变换器的双支路深度网络模型。该模型包含两个支路并行提取图像的空谱特征。首先, 两支路分别使用 3D和 2D卷积对子图像的空间信息和光谱信息进行初步提取, 然后经过由批归一化、Mish函数和 3D卷积组成的密集连接网络进行深度特征提取。接着两支路分别使用光谱变换器和空间变换器以进一步增强网络提取特征的能力。最后两支路的输出特征图进行融合并得到最终的分类结果。模型在 Indian Pines、University of Pavia、Salinas Valley和 Kennedy Space Center数据集上进行了测试, 并与 6种现有方法进行了对比。结果表明, 在 Indian Pines数据集的训练集比例为 3%, 其他数据集的训练集比例为 0.5%的条件下, 算法的总体分类精度分别为 95.75%、96.75%、95.63%和 98.01%, 总体性能优于比较的方法。

传统卷积神经网络模型未能充分利用高分辨率高光谱图像中丰富的空间-光谱信息，存在计算成本大、小样本数据分类精度低的问题。提出一种轻量化多尺度金字塔混合池化混合卷积模型。以混合卷积网络为基础，所提模型采用改进的金字塔池化模块增强对空间-光谱特征的提取能力，使用较少的卷积层和深度可分离卷积，并用全局平均池化层代替部分全连接层以实现卷积层到全连接层的过渡，显著降低了参数量。采用三个高分辨率高光谱数据集对所提方法进行测试，同时与经典高光谱图像分类方法进行对比实验，结果表明所提方法在分辨率高、地物种类多、边界复杂的情况下仍然能取得最佳的分类结果。在WHU-Hi-LongKou、WHU-Hi-HanChuan、WHU-Hi-HongHu数据集上仅使用1%、2%、2%训练样本的情况下，所提方法的总体精度分别达99.12%、98.43%、98.84%，优于传统卷积网络，证明了所提模型计算成本小，在小样本问题上准确率高，能很好地适用于高分辨率高光谱数据集。

为充分提取高光谱图像（HSI）的光谱空间信息特征，实现HSI的高精度地物分类，提出端到端的多尺度特征融合残差（MFFI）模块。该模块结合了3D多尺度卷积、特征融合以及残差连接3种手段，实现了HSI多尺度光谱空间特征的联合提取。因模块具有端到端特性，可通过堆叠多个MFFI模块得到具有提取深层特征能力的MFFI网络。该网络在Salinas、Indian Pines和University of Pavia 3个HSI数据集的平均总体准确率为99.73%，平均准确率为99.84%，平均卡帕系数为0.9971。结果表明：MFFI模块可以有效提取不同类型地物数据集的光谱空间特征，并取得良好的分类结果。

为了解决高光谱图像领域中, 传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题, 采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法, 从空间增强、光谱-空间两方面分别进行了特征提取。首先从空间增强角度提出一种3维-2维卷积神经网络混合结构, 得到增强后的空间信息; 其次从光谱-空间角度利用3维卷积网络结构, 得到光谱-空间的综合可分性信息; 最后将所得信息进行特征融合并分类。用该方法在两个数据集上进行了实验并与其它方法进行了对比。结果表明, 该方法在Indian Pines与Pavia University数据集上分别取得了99.36%和99.95%的分类精度, 其分类精度和kappa系数都优于其它方法。该方法对高光谱图像的分类表现出竞争优势。