通常在传统的卷积神经网络分类模型中,存在特征信息丢失、光谱特征上下文信息被忽略的问题,且高光谱图像缺乏空间结构特征会存在混淆现象。这些因素会影响高光谱图像的分类性能。但高光谱图像分类技术应用于诸多领域,如在遥感图像处理领域中也被广泛关注,其分类原理是针对高光谱不同公开数据集逐个像素进行地物类型的判别。因此本文基于卷积和长短期记忆网络结构,进一步提升了高光谱图像的分类精度。主要研究内容为:第一,为了缓解混淆现象问题以及传统卷积网络模型中特征信息丢失对分类性能的影响,本文设计了一种基于二维和三维的混合卷积神经网络的高光谱图像分类方法。其主要从空间增强、光谱-空间特征两方面进行特征提取。之后将提取所得特征通过Flatten层展平后输入到分类器中得到最终预测结果。该方法不仅能够对高光谱图像的空间特征进一步增强以减少混淆现象的负面影响,而且能够有效降低特征信息的丢失。最后,将该方法与其他算法模型进行对比,其取得了较好的实验结果。第二,由于高光谱图像其自身具有丰富光谱信息,但传统的卷积神经网络分类模型提取光谱特征往往忽略其上下文信息,且长短期记忆模型逐层提取光谱特征会存在梯度消失等现象。针对这一问题,本文采用了基于二维卷积神经网络和长短期记忆模型的高光谱图像分类方法。该方法基于空间特征、光谱特征两个方面构建。该方法在光谱特征分支中使用二维卷积进行初步特征提取,之后将特征信息输入到长短期记忆单元中进行光谱特征提取。它减少了计算复杂度并有效缓解了提取光谱特征时会出现的梯度消失问题。最后,经过多尺度特征融合层后将特征输入到分类器中得到分类结果。经过实验对比可知,该方法能够有效提升分类性能。