近年来,由于高光谱图像包含丰富的空间和光谱信息,其处理和分析得到了广泛关注,包括分类、解混、变化检测和目标检测等。随着深度学习技术的发展,由于深度学习方法能够更有效的提取高光谱图像特征,使得基于深度神经网络的高光谱分类方法获得了巨大关注。由于高光谱图像光谱分辨率高,光谱波段较多且混杂大量的混合像元的特点,使得在进行高光谱图像分类时面临计算复杂度大,时间消耗长和存在大量冗余信息不易提取有效特征的困难。如何在有限的训练样本下充分整合高光谱图像的光谱信息和空间信息并快速稳定的对高光谱图像进行分类成为了一项巨大的挑战。本文以卷积神经网络作为基本框架,使用光谱空间双分支多尺度模型,结合注意力模块,提出了基于多尺度空-谱联合卷积神经网络的高光谱分类模型,并设计相关软件系统,通过在真实高光谱图像的实验验证了本文分类方法和系统的有效性。论文主要工作包括:（1）提出了一种基于双分支多尺度空-谱联合的卷积神经网络的高光谱图像分类模型和算法。本文在研究了基于深度神经网络的高光谱图像分类方法的基础上,采用基于卷积神经网络的双分支结构分别提取光谱和空间特征,利用不同尺寸的卷积组合充分挖掘图像的不同尺度信息,并且通过全连接层在不同阶段逐步融合不同尺度下的信息。此外,使用稠密连接减少由于训练样本少而产生的过拟合问题。通过在多个真实高光谱图像的实验表明,和一些经典算法如SVM和CDCNN,以及和无双分支和多尺度的模型对比,本文提出的双分支多尺度空-谱联合的卷积神经高光谱分类模型可以有效提高分类效果。（2）为了增加不同分支光谱和空间信息的权重,充分挖掘不同分支的空间光谱特征信息,进一步提高高光谱图像分类精度,提出了一种双分支双注意力模块的卷积神经网络的高光谱图像分类模型和算法。为了进一步提升有效信息的表示能力,本文在研究了双分支卷积神经网络空间光谱分支的信道关系的基础上,采用结合注意力机制的双注意力模块卷积神经模型,通过在双分支上附加两个平行的注意力模块的方法,分别捕获有效的空间光谱信息,最后融合两个注意力模块的输出,进一步增强了高光谱图像的特征表示能力。通过在真实高光谱图像上进行实验表明了本文提出的分类方法的有效性。（3）在上述双分支多尺度卷积神经网络模型和算法的基础上,本文基于python GUI框架设计并实现了一套高光谱遥感图像分类软件系统,其功能主要包括高光谱图像管理、模型选择、高光谱图像分类以及分析等模块。文章给出了整个系统框架的主要运行流程以及核心模块的开发、实现和测试。