孙 笛，车昇昆，段渭超，蒋庆仙

1.西安测绘研究所，陕西 西安，710054;

2.地理信息工程国家重点实验室，陕西 西安，710054;

3.68029部队，甘肃 兰州，730020

1 引 言

随着高光谱遥感技术的不断发展，人们可以获得越来越多、越来越可靠的高光谱影像数据，从而对高光谱影像数据所蕴含的丰富信息进行充分的挖掘利用也就更加紧迫。高光谱影像地物分类则是开展各类应用的重要环节之一，因此，高光谱影像地物分类识别得到了广泛的研究，但高光谱影像分类仍面临高维和小样本的挑战。

国内外专家学者为解决高光谱遥感影像分类问题，引入了最近邻[1]、支持向量机[2](support vectormachine，SVM)、稀疏表达[3]等分类器。 但在不进行特征提取的情况下，传统分类器很难在高光谱影像分类中取得理想结果。深度学习能够提取更加抽象的特征，进而获得更高的分类精度，近年来已经被成功用于目标识别、图像理解、机器翻译等不同领域。深度学习为高光谱影像分类识别提供了一种新的思路和途径，堆栈式自编码器[4]作为一种简单有效的深度学习方法，最早被用于高光谱影像分类。近年来，卷积神经网络也被引入到高光谱影像分类中，文献[5]设计了一种1D-CNN模型，利用光谱特征对高光谱影像进行分类，取得了优于SVM的分类结果。高光谱影像能够提供丰富的光谱和空间信息，近年来研究表明充分利用空间信息进行高光谱影像分类能够有效提高分类精度，而1D-CNN模型仅仅利用光谱信息进行分类，没有充分利用高光谱影像提供的空间信息。……