高光谱图像分类近年来受到广泛关注，尤其是卷积神经网络(CNN)和图神经网络(GNN)的应用取得了显著进展。CNN处理小型规则区域的像素信息，而GNN则擅长捕捉不规则区域的超像素特征。为了结合二者优势，提出了一种名为光谱融合GAT与双极自注意力融合的高光谱分类网络(SGBF)

该网络整合了双极自注意力CNN和光谱融合图注意力，用于高质量高光谱分类。在图神经网络组件中引入了光谱融合图注意力网络(SGAT)

并开发了光谱精炼模块(SRM)以提高光谱信息的提取能力。在CNN组件中，加入了双极自注意力机制(BSA)来捕捉空间-光谱信息。实验结果显示，SGBF在多个数据集上表现出色，在Indian Pines数据集上，SGBF的分类精度达到了91.59%

比单独的CNN或GNN方法分别提高了13.2%和12.23%

在PaviaU数据集上，精度为98.54%

超越现有最佳方法2.37%

这些结果验证了SGBF在高光谱图像分类中的优越性和鲁棒性。