谢幸雨，贺 辉，2，邢海花

（1.北京师范大学珠海校区自然科学高等研究院，珠海519087；2.北京师范大学智能工程与教育应用研究中心，珠海519087；3.海南师范大学信息科学技术学院，海口571158）

引 言

随着高光谱成像技术逐渐成熟，高光谱遥感数据可以提供越来越多的谱域和空域信息，对于描述地物有着重要的意义，在目标精细分类和有效辨识方面已表现出很好的潜力，广泛应用于农业、矿物业和地理观测等领域。

针对高光谱遥感数据高维度、高冗余的特点，研究人员对数据的预处理进行了研究［1］。其中，主成分分析法［2］是常用的子空间算法，其有助于降维，但由于高光谱数据具有非线性的特点［3］，提取到的低维度特征代表性会受到影响。Alborzi 等［4］提出了HYSIME 方法，利用高光谱信号子空间识别技术进行子空间选择，取得了较好的降维结果。Chen 等［5］引入基于无监督深度学习的自动编码器来进行降维的处理，获得了比主成分分析法等传统特征提取算法更好的精度。近年来，卷积神经网络（Convolutional neural networks，CNN）已经成为处理计算机视觉任务的有效方法［6］。Xia 等［7］利用SSGF（Semisupervised graph fusion）方法将光谱、空间和高程这3 种特征投影到一个较低的子空间中，得到新的融合特征，提高了分类的准确性。赵斐等［8］提出多特征图金字塔融合深度网络，提取图像的多层次特征，引入多层次和多尺度特征融合策略，提高了中小型目标分类的准确性。张猛等［9］提出基于特征融合的卷积网络结构，提高了特征的利用率。在改进卷积神经网络方面，Xu 等［10］提出包含两个分支结构的网络来融合Lidar 和HSI 信息进行分类。……