高光谱图像是通过高光谱遥感传感器或者成像光谱仪获得的,含有二维空间信息,第三维中包含丰富的光谱信息。因此高光谱数据被广泛地应用到地质矿产业、农林业、环境保护、综合考察和食品分析等实际应用中,已成为国内外科研、经济和国防建设的高科技技术,但是高光谱图像本身存在维度高、标记样本少、波段间相关性高、光谱空间特征提取不充分等问题,给高光谱图像地识别和分类带来了很大的困难。目前,利用卷积神经网络（Convolutional Neaural Network,CNN）搭建的基于光谱空间特征融合的高光谱图像分类方法取得了很好的效果,本文提出了以下两种高光谱图像分类模型:（1）针对高光谱图像数据维度高,波段间数据相关性大的问题,本文提出了混合深度CNN联合注意力（Hybrid Deep CNN-Attention,HDC-Attention）的模型。首先利用核主成分分析减少光谱维数,降低波段间的相关性,保留了主要信息,小批量K均值对降维后特征随机抽取一定数量的子集,利用抽取的子集进行后续阶段的特征提取,提高计算效率,然后将处理后的数据输入混合深度CNN（Hybrid Deep CNN,HDC）充分地提取光谱空间特征,再利用光谱-空间注意力机制,重新校准光谱特征和空间特征的响应,选择性地强调重要的光谱空间特征,抑制不太有用的特征,最后采用Softmax进行分类任务。提出的模型在Indian Pines、Pavia University和Salinas scene三个真实的高光谱数据集上进行了多次实验,在有限的样本中表现出较好的分类性能。（2）为了有效地提取更全面的高光谱图像的精细特征,本文提出一种基于密集连接的混合深度CNN（Hybrid Depth CNN based on Dense Net,HDCD）高光谱分类模型。首先利用核主成分分析方法和小批量K均值方法对高光谱图像组合降维,然后利用改进的3D CNN模块提取联合的光谱空间特征,2D Dense Net模块加强光谱空间特征的重用,在此基础上,加入改进的深度可分离卷积在不影响模型分类精度的情况下减少模型的参数,最后光谱-空间注意力模块增强有用的特征。提出的模型在公开数据集上进行多次实验,该模型不仅进一步提升了分类精度,还降低了模型的复杂度。