摘要
通过高光谱成像在光谱范围内多个窄波段进行光谱观测，可为材料与目标识别提供宝贵信息，该过程可视为一类分类任务。目前大多数现有研究与工作均遵循传统的模式识别范式，依赖于复杂手工设计特征的构建。然而，对于特定问题而言，究竟哪些特征具有关键作用，往往缺乏明确认知。与此相反，本文提出一种基于深度学习的分类方法，能够以自动化方式分层构建高层特征。该方法利用卷积神经网络（Convolutional Neural Network, CNN）对像素的光谱与空间信息进行编码，并结合多层感知机（Multi-Layer Perceptron, MLP）完成分类任务。在广泛使用的多个数据集上的实验结果与定量验证表明，所提出方法在实现高精度高光谱数据分类方面具有显著潜力。