为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。

高光谱图像的空间分辨率普遍较低，导致混合像元大量存在，为目标检测带来了一定困难。为了实现复杂背景下的高光谱图像目标检测，提出了一种去端元的目标检测方法。在光谱解混技术的基础上，建立了复杂背景下的光谱混合模型并加以改进，采用多次去端元的方法，取得了简化背景之后的高光谱图像。结果表明，与传统的RX目标检测算法相比，所提出的算法能够显著提升目标检测效果。在实际的军事运用中，为大尺幅图像的目标识别和揭露伪装提供了思路。