高光谱图像分类将每个像素分类至预设的地物类别，对环境测绘等各类地球科学任务有着至关重要的意义。近年来，学者们尝试利用深度学习框架进行高光谱图像分类，取得了令人满意的效果。然而这些方法在光谱特征的提取上仍存在一定缺陷。本文提出一个基于自注意力机制的层级融合高光谱图像分类框架(hierarchical　self-attention　network,　HSAN)。首先，构建跳层自注意力模块进行特征学习，利用Transformer结构中的自注意力机制捕获上下文信息，增强有效信息贡献。然后，设计层级融合方式，进一步缓解特征学习过程中的有效信息损失，增强各层级特征联动。在Pavia　University及Houston2013数据集上的试验表明，本文提出的框架相较于其他高光谱图像分类框架具有更好的分类性能。