1.一种基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述基于3维和2维混合卷积的高光谱遥感图像分类方法，包括以下步骤：步骤S1、获取待分类的高光谱遥感图像；

步骤S2、利用主成分分析法对高光谱遥感图像进行光谱降维；

步骤S3、执行通道移位操作，根据光谱信息量将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列；

步骤S4、执行通道加权操作，根据光谱带含有的光谱信息量对光谱带赋予对应的权重；

步骤S5、对光谱带中每个像素点取一个固定空间大小的立方体数据，先利用3维卷积根据立方体数据提取光谱‑空间特征，再利用2维卷积对提取的光谱‑空间特征进行光谱信息的融合，得到最终的特征图；

步骤S6、采用协方差池化方法，从特征图中提取二阶信息，输出特征向量；

步骤S7、将特征向量输入至三层全连接网络得到针对待分类的高光谱遥感图像的预测分类结果。

2.如权利要求1所述的基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述利用主成分分析法对高光谱遥感图像进行光谱降维，包括：令获取的高光谱遥感图像的大小为W×H×L；

重塑高光谱遥感图像为大小为L×N的输入数据X，并且N＝W×H；

计算输入数据X的协方差矩阵B；

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；

建立主成分分析的优化目标函数如下：

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；

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的降维后T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所述的基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述根据光谱带含有的光谱信息量对光谱带赋予对应的权重，包括：每个光谱带赋予的权重为(1+Ratio)乘以每个通道的特征图，并且Ratio表示降维后每个主成分的方差与总方差的比值。

4.如权利要求1所述的基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述3维卷积设置为三层卷积结构，三层卷积结构的卷积核大小分别设置为3×3×7、3×3×5和3×3×3，并且卷积核个数分别设置为8、16和32；

所述2维卷积设置为一层卷积结构，所述2维卷积包括64个大小为3×3的卷积核。

5.如权利要求1所述的基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述采用协方差池化方法，从所述特征图中提取二阶信息，输出特征向量，包括：令特征图的大小为H×W×D；

重塑特征图为大小为D×N的矩阵Z，并且N＝H×W；

计算协方差矩阵C如下：

其中，zi∈[z1,z2,...,zN]，zi为矩阵Z沿着第二维的第i个列向量，并且将协方差矩阵C映射至欧式空间，得到矩阵F如下：T

其中，C＝UAU ，A和U分别表示协方差矩阵C的特征值和特征向量，得到的矩阵F为对称矩阵；

取矩阵F的上三角数据组成特征向量f输出。

6.如权利要求1所述的基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述三层全连接网络包括三个全连接层，三个全连接层中的前两个全连接层使用正规化形式的Dropout方法，最后一个全连接层使用Softmax输出预测分类结果。