高光谱遥感影像具有较好的光学特征和丰富的光谱信息,其图谱合一的特性使得高光谱影像能够为精细分类、遥感反演和目标探测等任务提供新的研究方式。分类是高光谱数据分析中的基本问题之一,虽然高光谱影像中含有丰富的地物信息,但其数据冗余、空间分辨率不足、标记样本缺乏等因素,限制了高光谱影像分类的应用与发展。针对上述问题,引入在计算机视觉任务中的深度生成模型,围绕高光谱影像光谱生成、紧耦合式分类训练和空-谱特征提取等方向开展研究。主要创新工作如下。(1)提出了一种面向光谱生成有效性的条件式变分对抗网络(Conditional Variational and Adversarial Autoencoder,CVA~2E),解决了光谱特征有效性学习的问题。在分析生成模型的训练不稳定、模式坍塌、生成样本质量低等问题形成原因的基础上,在生成对抗网络中引入变分推理过程,提升了模型的学习能力。此外,通过添入两个惩罚项,提高了生成样本的多样性和生成样本的光谱形状特征。三个标准高光谱数据集的实验结果表明,CVA~2E在光谱合成能力上优于其他方法。在使用ROSIS和AVIRIS数据集时,引入全损失惩罚的CVA~2E_SAD_FVA表现最佳,精度依次为96.74%和89.7%,引入了特征角损失的CVA~2E_FVA在HYSPEX数据集上表现最好,精度为98.33%,证明了CVA~2E在挖掘分类特征方面更有效。(2)提出了一种面向分类任务的多组分对抗生成胶囊网络(Capsule Triple Generative Adversarial Network,Caps-TripleGAN),通过引入向量神经元和多组分对抗训练结构进行紧耦合式训练,进一步提高了深度生成框架的判别能力。针对CVA~2E弱耦合训练过程进行优化,引入TripleGAN结构,将生成对抗训练过程,分为分类器、生成器和判别器三组分紧耦合式训练。引入胶囊神经元对光谱特征进行提取,在提取特征时充分考虑特征及其位置和方向信息,提取更加有效的高阶可分特征。实验结果表明,胶囊网络的性能优于对比实验中的深度学习方法,同时TripleGAN可以提高CapsNet在少量训练样本的分类性能。(3)针对高光谱分类过程中空谱信息融合问题,以分离式双通道学习过程和伪标签辅助思想为基础,提出了两种基于深度生成模型的高光谱影像空谱特征学习方法。首先,基于紧耦合对抗机制,将空间信息和光谱信息进行分离式输入,在高阶特征提取层进行合并,提出一种面向空谱特征的双通道多组分生成对抗网络(Dual Triple Generative Adversarial Network,Dual-TripleGAN),完成空谱特征学习和分类。另外,为探索空谱数据块完整性的生成方法,提出一种基于伪标签的多尺度生成辅助分类方法(Multiscale Generative Assistant Capsule Network,MS-GA-CapsNet)。针对空谱数据块的学习过程,使用差异化加权思想,增加中心像素的网络权重,模型考虑了邻域像元类别信息,对网络的光谱特征进行混合式生成。同时,在空谱特征提取过程中,使用多尺度胶囊网络进行分类。实验结果表明,提出的多尺度生成辅助分类方法在四种数据上优于其他算法。该论文有图71幅,表27个,参考文献170篇。