针对循环神经网络存在的梯度消失现象和传统卷积神经网络感受野的限制问题，本文提出了一种引入多尺度卷积滤波器的光谱-空间特征提取方法。该方法包括光谱特征提取和空间特征提取两个部分。在光谱特征提取部分，将双向长短时记忆网络与波段分组策略相结合，在一定程度上缓解了因网络太深导致的梯度消失问题。在空间特征提取部分，在卷积神经网络的基础上引入多尺度卷积滤波器，使网络能够同时捕捉到细节特征和全局结构。同时将浅层特征与深层特征融合，从而提高分类性能。在两个数据集上的实验结果表明，该方法能够有效提高分类准确度。

为了充分利用高光谱图像的空间和光谱信息，并抑制图像中的噪声，提出了一种基于局部对比度和多向梯度的高光谱异常检测方法。首先，为利用局部光谱信息，提出了一种局部对比度策略，通过计算目标与背景之间的亮度差异，获得光谱检测得分图。然后，为了降低计算的复杂性，引入了一种光谱融合降维技术对高光谱图像进行处理。此外，提出了一种局部多向梯度特征方法，旨在减少图像噪声和保留局部细节特征，生成多向梯度检测得分图。最后，通过融合两张得分图，得到最终的异常结果图。实验结果表明，在4个经典数据集上本文方法能够成功展示异常目标，并且相较于其他7种方法，其检测精度更高、虚警率更低。

为了进一步缩小非负矩阵分解（non-negative matrix factorization，NMF）的解空间，提出了一种基于保持高光谱图像的内在结构不变性约束和端元光谱分段平滑约束的NMF的高光谱解混算法。首先，采用一个投影方程来描述高光谱图像的内在结构。然后引入图正则化，建立高光谱图像与丰度矩阵之间的联系，以保持高光谱图像内在结构的不变性。其次，采用马尔科夫随机场模型中的自适应势函数作为促进端元平滑的平滑函数。最后，采用L_1/2稀疏约束促进丰度矩阵的稀疏性。为了验证所提算法的性能，在两个真实数据集上进行了实验分析，证明了该方法的优越性。

随着高光谱遥感应用的日益广泛，数据量迅速增加，对高效压缩技术的需求愈加迫切。高光谱图像在空间和光谱波段之间具有较强的相关性，使得数据压缩成为可能。目前，在大多数高光谱图像压缩方法中，一个波段仅能作为相邻波段的参考波段，但是一个波段有可能与多个非相邻波段具有较强的相关性，这导致波段相关性未被充分利用。基于此，结合空间数据系统咨询委员会（CCSDS）最新的CCSDS-123-B-2无损编码标准，提出一种基于波段相关性优化参考波段的方法，以进一步提升压缩性能。实验结果显示，与调整前相比，实际高光谱图像的压缩比提高了2%~5%。

针对终身学习面临的灾难性遗忘问题，提出利用多级知识蒸馏进行高光谱图像分类的终身学习方法。首先，设计基于多模态对齐的特征提取器，充分利用高光谱图像的空谱信息和标签文本信息。此外，设计多级知识蒸馏策略，有效保留旧阶段的多模态知识。提出的方法在两个公共高光谱数据集上进行实验，与目前最新的方法相比，所提方法在Pavia University数据集上平均精度提升了15%~18%，在Botswana数据集上平均精度提升了1%~8%。

针对跨域高光谱图像分类中的光谱偏移和光谱冗余问题，提出了一种基于Transformer的高光谱图像域适应分类方法。该方法结合逐像素高光谱长波段分块策略和基于邻域相关性的中心像元特征提取策略，有效提取高光谱图像中的局部-长程光谱相关性特征和中心像元信息，最后通过双分类器架构实现知识的有效迁移。在Houston和YRD数据集上的实验结果证实了所提方法的有效性。本方法的提出为高光谱图像的域适应分类研究提供了新的视角和技术路径。

高光谱图像分类近年来受到广泛关注，尤其是卷积神经网络(CNN)和图神经网络(GNN)的应用取得了显著进展。CNN处理小型规则区域的像素信息，而GNN则擅长捕捉不规则区域的超像素特征。为了结合二者优势，提出了一种名为光谱融合GAT与双极自注意力融合的高光谱分类网络(SGBF)，该网络整合了双极自注意力CNN和光谱融合图注意力，用于高质量高光谱分类。在图神经网络组件中引入了光谱融合图注意力网络(SGAT)，并开发了光谱精炼模块(SRM)以提高光谱信息的提取能力。在CNN组件中，加入了双极自注意力机制(BSA)来捕捉空间-光谱信息。实验结果显示，SGBF在多个数据集上表现出色，在Indian Pines数据集上，SGBF的分类精度达到了91.59%，比单独的CNN或GNN方法分别提高了13.2%和12.23%，在PaviaU数据集上，精度为98.54%，超越现有最佳方法2.37%，这些结果验证了SGBF在高光谱图像分类中的优越性和鲁棒性。

针对当前汽油管道泄漏检测效率低、无法精准分割泄露区域边缘的局限性，提出一种基于高光谱图像与深度学习结合的汽油管道泄漏检测方法。首先进行两种型号汽油在土壤、水背景下的特征光谱波段提取；利用连续投影算法实现汽油高光谱图像数据降维；将汽油反射率作为输入，均方根误差为回归参数获得汽油反射峰附近的18个特征波段；采用图像旋转角度、横向或纵向翻转、在图像中注入随机噪声等方式实现数据集样本扩充。其次对Unet高光谱图像语义分割模型进行改进，将Unet网络编码器部分替换成密集连接模块加强各层级间的信息交流，减轻计算量提高模型检测速度；引入通道注意力机制模块，使模型对汽油图像空间和光谱层面两特征信息同时关注，提高模型检测精度；引入失活层的概念，通过暂时关闭网络中的一部分神经元降低网络的复杂性，同时在训练过程中设置适当的时间点实施早停策略从而防止过拟合。最后进行了消融实验和对比实验。消融实验结果验证了密集连接模块和通道注意力机制模块对提高网络分割精度和召回率的有效性；在自建数据集上的定量对比实验结果表明，模型对滴落汽油的分割精度为90.34%，平均每张图片检测时间为0.23 s，与Unet、PSE-Unet和HLCA-Unet模型相比，平均准确率分别增加了14.39%、8.01%和2.73%，召回率分别增加了8.95%、8.02%和6.55%，测试时间与Unet、PSE-Unet模型相比分别减少了10.83%和16.97%，检测优越性定性体现在泄露油滴与背景交会的轮廓更符合原图，本模型可以获得更加准确的汽油特征信息，为汽油管道泄漏检测提供了新的技术方案。此外，在公开的Pavia University遥感数据集上与当前Unet、PSE-Unet、HLCA-Unet模型检测进行对比，模型仍表现出更好的分割效果，体现出较强的普适性和泛化能力，可用于多种类型的高光谱图像语义分割。