Para resolver o problema do desequilíbrio entre características locais e globais nos métodos existentes de classificação de imagens hiperespectrais (Hyperspectral Image, HSI), este artigo construiu um modelo de fusão de características cruzadas Gaussianas. Por meio da operação de multiplicação elemento a elemento realiza-se a interação entre diferentes características, projetou-se um algoritmo de fusão de características com atenção cruzada Gaussiana, que analisa a relação intrínseca entre dois tipos de características com base na similaridade dos vetores de mapeamento, utiliza a função Gaussiana para quantificar os pesos de fusão e, por meio da otimização dos parâmetros chave, realiza a ponderação dinâmica das características locais e globais, garantindo o equilíbrio entre ambas na fusão. Para validar a eficácia do método, foram realizados experimentos em conjuntos de dados públicos em quatro cenários típicos: cenário agrícola Indian Pines, cenário urbano Pavia University, cenário de vegetação agrícola Salinas e cenário heterogêneo LongKou. Os resultados experimentais foram comparados com 11 métodos principais como DCSST, SMESC e Vit-cov, utilizando acurácia geral (Overall Accuracy, OA), acurácia média (Average Accuracy, AA) e coeficiente Kappa para avaliação do método. O método proposto apresentou os melhores resultados, demonstrando vantagem na classificação em cenários de plantas, objetos artificiais e mistos heterogêneos, além de uma boa capacidade de generalização.

classificação de imagens hiperespectrais;mecanismo de atenção;função Gaussiana;extração de características;fusão de características