高光谱遥感图像分类是遥感领域的研究热点。目前,基于深度学习的光谱空间分类器得到了广泛的研究,其中卷积神经网络由于其局部连接和共享权重的特性,通常优于其他深度学习模型。而神经网络结构的设计直接影响着基于卷积神经网络的分类器的性能。研究表明,基于神经网络的高光谱遥感图像分类方法严重依赖过多的训练时间和专业知识来手动构建网络模型,不仅耗时且容易出错。而神经架构搜索方法因可以自动根据某个数据集搜索出较优的网络架构而备受关注,因此,本文主要研究了神经架构自动搜索方法,并应用于高光谱遥感图像分类,论文工作及贡献如下:（1）针对目前基于深度学习的高光谱遥感图像分类方法普遍利用图像邻域立方体作为训练数据,而邻域立方体存在信息冗余问题,本文提出了一种基于图像的神经架构搜索算法（Image-based Neural Architecture Search,I-NAS）。与基于图像邻域立方体的分类框架不同,本文模型以完整图像作为输入,减少了邻域立方体之间所存在的冗余信息,并使用端到端的单元结构来丰富特征信息,通过堆叠单元获得最终的模型架构。在Indian Pines和Pavia University数据集上的实验表明,I-NAS的总体精度分别达到了94.64%和97.45%,相比于基于图像邻域立方体的神经架构搜索算法（P-NAS）,总体精度分别提升了0.39%和0.74%,并且其在架构搜索、训练和测试期间的运行速率有了较大的提升。（2）针对现有网络架构对高光谱特征描述效率低的问题,在基于神经架构搜索的算法中采用了SimAM注意力模块（SimAM Attention Neural Architecture Search,SAMNAS）。SimAM利用注意力权重突出高光谱遥感图像中每个图像像元沿光谱和空间维度的线性可分性,可以从冗余的光谱特征和高度相似的空间信息中提取有效并可判别的光谱-空间特征,然后将这些特征输入到模型中以提高分类性能。在Indian Pines和Pavia University数据集上的实验表明,SAM-NAS算法的总体精度分别达到了96.27%和98.30%,相较于I-NAS算法,总体精度分别提升了1.63%和0.85%。