前 言高光譜遙感技術經過三十多年的發(fā)展，在信息獲取方面表現出了巨大的優(yōu)勢和潛力。高光譜影像分類是高光譜遙感影像分析和應用的關鍵技術之一，但在實際應用中仍面臨著諸多問題，如維數災難、非線性數據結構、不適定問題、空間同質性和異質性等，制約了高光譜遙感影像分類的進一步發(fā)展。近年來，為充分利用高光譜遙感影像中包含的豐富信息，越來越多的機器學習和人工智能算法在高光譜影像分類技術的研究中得到應用，特別是以卷積神經網絡為代表的深度學習算法，在高光譜影像分類中表現出了優(yōu)異的性能。本書圍繞卷積神經網絡在高光譜影像分類中的應用展開討論和分析。全書內容共分為7章。第1章結合高光譜遙感技術的發(fā)展論述了高光譜影像分類的內涵，總結了高光譜影像分類的主要技術方法，并由此引出了高光譜影像分類技術所涉及的主要問題。第2章介紹了卷積神經網絡的基礎理論，對卷積神經網絡的發(fā)展現狀進行了總結，研究分析了卷積神經網絡在高光譜影像分類中的應用情況。第3章針對傳統(tǒng)高光譜影像分類算法中空間信息利用不足的問題，通過引入局部二值模式、三維Gabor等紋理特征和雙通道卷積神經網絡模型，介紹了一種結合紋理特征的雙通道卷積神經網絡高光譜影像分類方法。第4章重點討論了在卷積神經網絡基礎上發(fā)展的殘差網絡，針對深層殘差網絡存在特征重用減少的問題，設計了適用于高光譜影像分類的寬殘差網絡。第5章分析了殘差網絡的模型內部結構，構建了殘差密集網絡模型，充分利用了網絡模型中不同單元提取的分層特征。第6章引入了注意力機制，設計了適用于高光譜影像分類的殘差注意力網絡，對網絡模型中不同殘差單元輸出的特征賦以不同的權重，提取出更為有效的特征集，增強了提取特征的可分性。第7章對本書所介紹的內容進行了總結，對卷積神經網絡在高光譜影像分類中的應用前景進行了展望。伴隨著獲取手段和處理技術的不斷豐富，高光譜遙感技術在現代科技發(fā)展進程中發(fā)揮著巨大的作用。同時，高光譜影像分類的理論和技術也在不斷地充實、發(fā)展和完善之中，本書僅結合當前的典型技術方法進行提煉和總結。限于作者的學術水平，部分研究有待深化，書中一定存在錯誤及疏漏之處，歡迎讀者們批評指正。