近年来,基于深度学习的高光谱影像分类已经成为遥感领域研究的热点之一,以卷积神经网络为代表的分类模型在高光谱影像分类方面达到了高精度与高效率。然而,高光谱遥感影像分类过程中存在特征代表性不强、特征层次单一以及分类决策单一等问题,可能导致分类结果不稳定。鉴于此,本文采用Indian Pines和University of Pavia两个高光谱数据集,开展基于深度学习的高光谱遥感影像分类研究,具体包括:（1）提出基于注意力机制（Attention Mechanism,AM）的三维卷积神经网络（ThreeDimensional Convolutional Neural Network,3DCNN）三维卷积注意力机制模型（Three Dimension Convolutional Neural Network and Attention Mechanism,3DCNN＿AM）,用于解决高光谱遥感特征提取不具代表性问题。将注意力机制对特定信息的关注与3DCNN深层特征提取能力进行有效结合,对高光谱遥感影像进行特征提取与分类。研究发现,分类精度得到极大提升;由于高光谱数据较高的光谱波段数,为提高分类效率,采用三种常用数据降维方式分别进行分类实验分析。再采用3DCNN＿AM对降维影像进行特征提取与分类,研究结果表明,同时,该方法可有效弥补数据降维带来的信息丢失,在降低计算时间的同时,分类精度仍有一定程度的提升。（2）发展多尺度密集网络实现高光谱数据特征融合与分类算法,解决特征层次单一的问题。通过对普通卷积与跨步卷积的组合使用,构建了可产生多个层次特征,并融合特征进行分类的多尺度密集网络（Multi-Scale Dense Network,MSDN）。结果显示,数据集Indian Pines在提取四种层次特征并融合时的分类精度最高,为99.76%;数据集University of Pavia在提取六种层次特征时的分类精度最高,为99.54%。研究结果表明,多层次特征融合有助于高光谱影像分类精度的提升。（3）发展联合深度学习与多分类器集成的高光谱影像分类方法,解决分类决策单一的问题。联合3DCNN与机器学习分类算法构建了基于3DCNN与多分类器集成的分类模型,实现分类集成决策。三种常用的分类算法支持向量机（Support Vector Machines,SVM）、K-近邻法（K-Nearest Neighbor,KNN）和随机森林（Random Forest,RF）用于进行分类预测,最后根据多数投票策略对单个分类结果进行集成决策。研究结果发现,KNN分类表现最优,硬投票集成的分类效果稳定。该研究结果表明,多分类器集成方法可以综合各方法的优劣提高分类稳定性,但就单一因子而已未必能达到最高。