高光谱图像（HSI）分类可以实现对遥感图像中地表物质的像素级分类,在各大领域有着非常广泛的应用。然而,HSI不同于RGB图像,其拥有多达上百个光谱通道,并且高昂的人工标注成本导致有标注的数据样本量小,同时类别不平衡性、标注存在错误等问题使自动分类任务面临艰巨挑战。此外,近几年,深度学习在HSI分类领域展现出了巨大的潜力。但它们往往需要大量的标注样本、待训练参数以及庞大的计算开销。针对计算开销问题,本文基于3D深度可分离卷积设计新网络LiteDepthwiseNet,相比于现有其他算法,在保持较高分类精度的条件下,参数量和计算复杂度两方面都更低。3D深度可分离卷积将标准3D卷积分解为逐通道卷积和逐点卷积。逐通道卷积中一个卷积只负责一个通道的输入,从而减少了计算开销。然后合并每个卷积的输出,进行逐点卷积以变化通道数量来达到和普通卷积一样的输出尺寸。相较于普通3D卷积,3D深度可分离卷积的参数量和计算复杂度会有数量级的下降。但在网络轻量化的同时,精度较其他模型存在一定损失。针对LiteDepthwiseNet的精度损失问题,分析该方法在数据集上的初步实验结果,结合高光谱图像数据的类别不均衡、标注存在错误等特点,从损失计算角度对LiteDepth-wiseNet进行优化。通过在线难例挖掘方法以及Focal loss提升模型对小类别样本、困难样本的学习能力。通过TF-KD自蒸馏方法以及泰勒交叉熵损失减缓模型在小样本、噪声样本上的过拟合现象。从以上两方面进行损失的改进,通过在五个公开HSI数据集上进行实验,证明了损失函数的调整使LiteDepthwiseNet获得了高精度分类性能。进一步,本文基于通道洗牌以及CBM模块对LiteDepthwiseNet进行改进,提出新网络LiteShuffleNet。新网络使用CBM结构作为基本模块,并对3D深度可分离卷积模块进行改进。将3D深度可分离卷积中的逐点卷积改为分组逐点卷积,并前置通道洗牌以促进不同通道之间的信息融合。通过五个公开HSI数据集的对比实验表明新网络可以在采用相同损失的情况下,分类性能显著优于其他现有算法。在做出相同的损失改进后,新网络较LiteDepthwiseNet在精度和计算开销上都有一定优势。最后,针对标注样本少的问题,结合基于元学习的伪标签方法利用无标注数据对LiteShuffleNet 进行优化。同时训练一对LiteShuffleNet,分别作为Teacher模型和Student模型。Teacher模型负责在有标注部分进行训练,对于无标注部分给出伪标签供Student模型训练。Student模型在有标注部分计算损失,用这部分损失更新Teacher模型以调整伪标签。五个公开HSI数据集的实验表明,元伪标签的方法在没有增加任何有标注训练样本的情况下,很好地提升了 Lite ShuffleNet的分类性能,在小样本类别上提升显著。五个公开的HSI数据集上的实验结果表明,本文提出方法在少样本、类别不均衡的情况下,以低参数量、低计算开销实现了遥感图像地物的高精度分类。