王昱淞，潘军，蒋立军，王鹏举，孙士超，曹乾，崔名赫， 宋玉莲

1.吉林大学 地球探测科学与技术学院，长春 130026；2. 95806部队，北京 100071；3. 93116部队，沈阳 110141；4. 31693部队，哈尔滨 150036

0 引言

高光谱遥感影像是对地观测系统的重要数据源之一，能够同时提供近似连续的地物光谱信息和相应的空间信息。利用高光谱影像提供的光谱和空间信息对地物进行分类能够为高光谱影像的进一步应用提供基础，也是高光谱遥感中的关键技术和研究热点之一[1]。

传统的高光谱影像分类方法主要集中于利用特征提取和半监督学习方法克服缺少标记的训练样本问题[2]。深度学习无需人工设计特征提取规则，能够自动从数据中学习提取适合分类任务的抽象特征，显著地提高了图像和语音的分类识别精度。近年来深度学习在高光谱影像分类领域受到了广泛的关注，Chen et al.[3]最早将堆栈式自编码器应用于高光谱影像分类。随后，深度置信网络[4]、循环神经网络[5--6]和一维卷积神经网络[7]也被设计用于高光谱影像分类。为了进一步引入空间信息提高分类精度，Yue et al.[8]提出利用二维卷积神经网络从降维后的高光谱影像中提取空间信息，然后结合光谱特征输入到逻辑回归分类器中，在较少的样本条件下取得了优于支持向量机的分类结果。Zhao et al.[9]利用多尺度卷积神经网络对高光谱影像进行分类，进一步改善了分类效果。Chen et al.[10]在分析了一维和二维卷积神经网络基础上提出利用三维卷积神经网络模型对高光谱影像进行分类，该方法无需降维预处理，在保证分类精度的前提下简化了分类过程。……