基于卷积神经网络模型的方法被广泛应用于高光谱影像分类领域，并取得良好的分类性能。然而，传统CNN方法只从网络末端提取深层特征，没有考虑网络浅层特征和深层特征的结合。另外，大多数方法使用固定的卷积核来提取特征，忽略了高光谱影像的多尺度特征。针对上述两个问题，本文提出了基于多尺度空洞稠密网络的高光谱影像分类方法。首先，采用三维卷积神经网络作为基础结构，将原始高光谱数据立方体作为网络的输入；其次，设计融合空洞卷积的多尺度特征映射模块，该模块利用三维卷积同时提取高光谱影像的空谱特征，并将不同层次的空谱特征进行融合；然后，在设计的模块与模块之间加入跳跃连接，将网络的浅层和深层特征进行充分结合，而模块内部无跳跃连接，减少整体网络的计算量；最后，将得到的融合特征依次通过全连接层，dropout和Softmax层中完成分类。在三个公开数据集Indian Pines、University of Pavia和Salinas上进行实验，精确率分别达到99.28%、99.48%和99.32%。实验结果表明，与现有基于卷积神经网络的分类方法相比，本文方法能够有效提取高光谱影像的多尺度特征和增强空谱融合特征的表达能力，分类性能更优。
 

高光谱影像；卷积神经网络；稠密网络；空洞卷积；空间-光谱特征