卷积神经网络（CNN）模型详细介绍

一、CNN 的核心结构与功能

网络层	核心功能	关键操作 / 参数
输入层	接收原始数据，将其转化为网络可处理的格式	对高光谱数据：需将光谱维度与空间维度（如像素）组合为张量（如 [样本数，高度，宽度，波段数]）
卷积层	提取数据局部特征（如高光谱的波段吸收峰、图像的边缘）	1. 卷积核：滑动窗口，捕捉局部特征（如 3×3、5×5 大小）；2. 步长：卷积核每次滑动的像素数；3. 填充：边缘补零，避免特征丢失
激活函数层	给特征添加非线性关系，让网络能拟合复杂数据分布	常用 ReLU 函数（解决梯度消失问题）、Sigmoid 函数（二分类输出）
池化层	压缩特征维度，减少计算量，增强网络抗过拟合能力	1. 最大池化：取局部窗口内最大值（保留关键特征）；2. 平均池化：取局部窗口内平均值（平滑特征）
全连接层	将池化层输出的二维特征转化为一维向量，建立特征与分类结果的映射	通过权重矩阵将高维特征映射到类别空间（如分为 “植被、土壤、水体”3 类则输出 3 维向量）
输出层	输出分类概率或预测结果，匹配任务需求	分类任务用 Softmax 函数（输出各类别概率）；回归任务用线性激活函数（输出连续值）

二、CNN 处理高光谱数据的核心优势

相比传统机器学习模型（如 SVM、RF），CNN 在高光谱数据分类中优势显著，主要体现在特征提取和数据适配两方面：

自动提取深层光谱 - 空间特征：高光谱数据同时包含光谱维度（连续波段）和空间维度（像素邻域）信息，CNN 的卷积层可同时捕捉 “波段间的吸收反射规律” 和 “像素间的空间关联（如同一地物的相邻像素）”，无需人工设计特征。

缓解 “维数灾难”：高光谱数据波段数多（通常数百个），易导致维度过高。CNN 通过卷积核共享参数（同一卷积核在全图滑动，参数不重复计算）和池化层降维，大幅减少计算量，避免模型过拟合。

抗干扰能力强：高光谱数据易受大气散射、噪声影响，CNN 的局部特征提取能力可忽略局部噪声干扰，同时通过多层网络结构强化关键特征（如污染物的特征波段），提升分类精度。

三、CNN 在高光谱领域的典型应用场景

遥感地物分类：通过 CNN 处理高光谱遥感影像，实现精细地物划分，如区分耕地中的不同作物品种（小麦、玉米）、识别城市中的建筑、植被、水体，或监测矿区的土壤污染区域。

物质成分识别：在实验室或工业检测中，用 CNN 分析高光谱数据，识别物质成分，如纺织布料的纤维种类（棉、涤纶）、食品中的成分（如肉类新鲜度、农药残留）、水体中的污染物（如石油、重金属）。

生态环境监测：通过 CNN 处理植被高光谱数据，反演植被生长状态，如判断作物是否受病虫害影响（叶片光谱反射率变化）、监测森林的树种分布及覆盖率变化。

四、CNN 模型的常见改进方向

为适配高光谱数据的特殊性，研究者常对基础 CNN 结构进行改进，提升性能：

加入注意力机制（如 SE-Net、CBAM）：让网络自动聚焦高光谱数据中的关键波段或空间区域（如污染物的特征波段），抑制无关信息干扰。

设计轻量级网络（如 MobileNet、SqueezeNet）：通过深度可分离卷积减少参数数量，让 CNN 能在无人机、便携式设备等资源有限的平台上运行，满足实时检测需求。

结合 3D 卷积（3D-CNN）：将高光谱数据的 “空间维度（H×W）+ 光谱维度（D）” 视为 3D 张量，用 3D 卷积核同时提取空间和光谱特征，进一步提升分类精度（尤其适用于复杂地物场景）。