1.一种基于深度高分辨率的高光谱图像分类方法，其特征在于：包括以下步骤：步骤S1、获取待分类的高光谱图像；

步骤S2、利用主成分分析法对图像进行光谱降维预处理；

步骤S3、对进行处理后的光谱输入到深度高分辨率模块，在维持着原本的高分辨率的基础上，经过信息交互输出包括原尺寸在内的三个不同大小的特征图；

步骤S4、采用从上到下逐级融合相加的方法，融合三个不同大小特征图的空间信息，输出分类预测特征图；

步骤S5、将特征图通过Softmax层得到针对待分类的高光谱图像的最终预测分类结果。

2.如权利要求1的一种基于深度高分辨率的高光谱图像分类方法，其特征在于：步骤S2所述利用主成分分析法对图像进行光谱降维预处理，包括：S21.令获取的高光谱遥感图像的大小为W×H×L，其中W、H和L分别是图像的宽度、高度和通道数；

S22.重塑高光谱遥感图像至大小为L×N的输入数据X，且N＝W×H；

S23.计算输入数据X的协方差矩阵B；

S24.获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P；

S25.建立主成分分析的优化目标函数如下：T T

minptr(PBP),s.t.PP＝I,其中，I是具L×L大小的单位矩阵，tr(·)和T分别表示矩阵的迹和转置操作；

S26.计算优化目标函数，当计算得到L×k大小的P时，主成分分析输出大小为k×L的降T

维后的高光谱遥感图像Y，Y＝P×X，则高光谱遥感图像的光谱带尺寸从原始的L减小为k。

3.如权利要求1的一种基于深度高分辨率的高光谱图像分类方法，其特征在于：步骤S3所述的对进行处理后的光谱输入到深度高分辨率模块，在维持着原本的高分辨率的基础上，经过信息交互输出包括原尺寸在内的三个不同大小的特征图，包括：S31.令模块输入特征图的大小为H×W×K,其中H,W为特征图的高度和宽度,K为特征图的通道数；

S32.通过深度高分辨率特征表示网络得到三个不同尺寸的特征图:尺寸为H×W×C1特征图F1，尺寸为H×W×C2特征图F2，尺寸为H×W×C3特征图F3，其中C1,C2,C3为三个不同分支产生的特征图的通道数。

4.如权利要求1的一种基于深度高分辨率的高光谱图像分类方法，其特征在于：步骤S4所述的采用从上到下逐级融合相加的方法，融合三个不同特征图的空间信息，输出分类预测特征图，包括：

S41.令尺寸为H×W×C1的特征图F1下采样得到与F2相同大小的特征图，然后与原来的F2进行加操作得尺寸为H×W×C2的F12；

S42.再令大小为H×W×C2特征图F12下采样得到与F3相同大小的特征图,然后与原来的F12进行加操作得到尺寸为H×W×C3的特征图F。

5.如权利要求1的一种基于深度高分辨率的高光谱图像分类方法，其特征在于：步骤S5所述深度高分辨率网络输出的特征图F，通过全卷积(1*1)和激活层(Relu)得到具有高度丰富信息的特征图，最后通过Softmax层输出最终预测分类结果。