中国是一个农业大国,农业是生存发展之本,大规模农业用地的作物分类对于作物的监测、估产、普查以及灾后补偿统计等有着重要的意义。近年来,随着高光谱成像技术和传感器技术的发展,以及搭载成像光谱仪卫星的升空,使获得高光谱数据更容易,高光谱数据包含的信息也更加丰富,可以为大规模农作物分类器的设计奠定良好的数据基础。因此,为了适应农业发展的需求,本论文以高光谱数据作为数据源,重点关注农作物的光谱特性,设计了一种应用于高光谱图像的分类器,可有效区分不同农作物及其相关的植被类。本设计的主要工作如下:(1)为了有效利用农作物的光谱特征,本文提出了一种基于双向循环神经网络的农作物分类框架。在该分类模型中,直接将高光谱数据每个像素的光谱值看做一个光谱序列,重点关注序列间特性,提取序列前向和后向的联合光谱特征来进行分类。实验结果表明,双向循环神经网络与同类型分类算法相比,有更强的特征提取能力,有更好的农作物分类表现。(2)针对部分农作物之间光谱特性相似,在分类任务中难以区分开的问题。首先分析农作物的光谱曲线,剔除曲线中明显重合的冗余波段。然后,在原始数据中加入能突出农作物特性的植被指数集,并改进了一种基于冗余性和相关性的特征选择算法,该算法不但可以解决高光谱数据维度高、冗余高的问题,还能灵活调节待选取波段与标签之间的相关性对于特征选择的影响。在分类过程中,剔除明显重合波段,加入植被指数集,并通过提出的算法选择适用于农作物分类的高相关性特征集,可以获得更高的分类精度。