Para resolver os problemas de distribuição desigual dos dados de imagens hiperespectrais, extração insuficiente de características espectrais espaciais e degradação da rede com o aumento do número de camadas, propõe-se um método de classificação de imagens hiperespectrais baseado em uma rede convolucional híbrida multiescala. Primeiro, utiliza-se a análise de componentes principais para redução de dimensionalidade dos dados hiperespectrais; em seguida, a extração de vizinhança considera os pixels vizinhos como uma amostra, complementando as informações espaciais correspondentes; depois, a rede convolucional híbrida multiescala extrai características dos dados pré-processados e incorpora um mecanismo de atenção híbrido para reforçar as informações úteis nas dimensões espacial e espectral; finalmente, um classificador Softmax é utilizado para categorizar cada amostra de pixel. Os resultados experimentais mostram que o modelo proposto foi testado em dois conjuntos de dados hiperespectrais, Indian Pines e Pavia University, alcançando acurácias gerais de classificação, acurácias médias de classificação e coeficientes Kappa de 0,9879, 0,9833, 0,9862 e 0,9990, 0,9969, 0,9986, respectivamente. Este algoritmo pode extrair mais completamente as informações características das imagens hiperespectrais e alcança melhores resultados de classificação em comparação com outros métodos.

imagens hiperespectrais; rede convolucional híbrida; características multiescala; mecanismo de atenção