本发明公开了一个以超像素为引导构建多级图结构的网络(SGM‑LGAT)，用于HSI分类。主要包括以下步骤，我们通过分层的超像素分割算法，从超像素表示中创建不同阶段的高光谱数据的邻接连接图以有效利用空间拓扑结构，得到不同阶段的邻接矩阵和关联矩阵。然后，我们还设计了一个a lite GAT module(LGAT)，通过光谱稀疏化来修剪图，以去除图中一些与任务无关紧要的边，并利用邻接矩阵为剩下的每一个边分配唯一的注意力系数。另外，将LGAT被用来与频谱分支进行concat来进行特征的融合与更新。SGM‑LGAT计算量小，效率高，可从多尺度层次的角度挖掘HSIs的特征，通过在三个基准数据集上的大量对比实验证明，其性能与其他基于深度学习的方法具有竞争力。
