1、基于高光譜數(shù)據(jù)的特征提取及分類技術(shù)一直是遙感領(lǐng)域研究的熱點問題之一，而現(xiàn)有的特征提取方法主要針對地物某一方面的特性，利用線性或非線性的方程人為地設(shè)計或指定提取的特征，這種人工選取特征的過程往往需要專業(yè)的知識和經(jīng)驗，并且需要花費大量的時間，然而提取的特征并不能充分表達(dá)高光譜數(shù)據(jù)復(fù)雜的內(nèi)部結(jié)構(gòu)和空譜信息。對于深度學(xué)習(xí)來說，它可以讓計算機自動地學(xué)習(xí)有利于任務(wù)需要的特征，并將該過程融入模型訓(xùn)練的一部分，從而有助于進一步提高分類識別精度。

2、　　本篇論文從高光譜數(shù)據(jù)的特點入手，結(jié)合基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型，利用多個卷積層和池化層從高光譜數(shù)據(jù)中提取對多種變形具有高度不變性的非線性特征，進而實現(xiàn)高光譜數(shù)據(jù)的地物分類。本文的主要研究內(nèi)容及成果包括以下幾個方面：
　　首先，針對高光譜遙感數(shù)據(jù)圖譜合一的特點，探究深層卷積網(wǎng)絡(luò)對高光譜數(shù)據(jù)特征提取及分類的適用性。高光譜數(shù)據(jù)在獲取拍攝面的空間信息時，可以獲得每一個像素的連續(xù)光譜曲線，這使得高光譜數(shù)據(jù)擁有較高的維度和較大的數(shù)據(jù)量

3、，而深度學(xué)習(xí)的模型正適用于該數(shù)據(jù)的特點。因此本文使用高光譜數(shù)據(jù)的光譜信息、空間信息和空譜聯(lián)合信息，分別構(gòu)造基于一維、二維和三維卷積核的深層卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了特征分級式表達(dá)，并將提取的特征引入高光譜數(shù)據(jù)的地物分類中，得到優(yōu)于其他特征提取及分類方法的結(jié)果。
　　其次，針對數(shù)據(jù)高維度與有限訓(xùn)練樣本的不均衡問題，本文分別在一維卷積模型中引入L2正則項修改原始代價函數(shù)，在二維和三維模型中加入Dropout層稀疏每層網(wǎng)絡(luò)的激活單位，來避免建