高光谱成像作为遥感领域的重要分支,因其极高的光谱分辨率,在地物高精度分析方面具有着不可替代的优势,在国防建设与经济发展中的众多领域都有着极为广泛的应用。因此,高光谱图像的高精度分类已经成为高光谱图像处理中的重要课题。但是,在高光谱图像中,一些噪声与冗余波段对其传输与分析处理带来了困难,这使得高光谱波段选择的重要性越发凸显。深度学习的蓬勃发展展示了其强大的学习与表征能力,相关方法与高光谱处理领域的结合也受到了越来越多的关注。在高光谱图像分类中,由于样本标注成本高,深度学习方法的分类精度受限于有限的标注样本数量,为高光谱图像的高精度分类带来了挑战。在高光谱波段选择中,现有深度学习方法无法利用波段之间的非欧信息,造成了高质量波段的遗漏;除此之外,现有波段选择模型往往结构复杂且难以在新场景下快速部署与推理,限制了波段选择模型在实际生产中的应用。针对以上问题,本研究采用了半监督学习,图神经网络,元学习与知识蒸馏等技术手段,从无标签样本的充分利用、波段空谱信息的有效提取和波段选择转化建模等方面出发,期望进一步提升高光谱波段选择的波段质量与高光谱图像分类性能。本研究主要贡献如下:（1）提出了一种基于波段注意力与稀疏约束的双图卷积网络波段选择方法。针对现有方法对高光谱波段之间的非欧信息利用不足以及网络优化不充分导致的选择波段质量不佳的问题,同时利用波段之间的空间信息与光谱信息构建空间图与光谱图,并通过图卷积网络在构建的两种图中提取并融合波段间的信息,从而评选出高质量的波段;随后,将选择出的波段作为样本特征,输入密集连接的双图卷积网络中进行分类,从而评估波段质量;针对未选择波段因梯度下降方法失效无法优化的问题,设计一种新的软转移损失,借助全部特征来更新未选择特征,从而端对端地优化整体网络。在多幅真实的高光谱图像数据上,验证了所提出的模型的可行性和有效性。（2）提出了基于元学习与知识蒸馏的高光谱图像波段选择方法。针对现有波段选择模型往往结构复杂且难以在新场景下快速部署与推理的问题,构建由多种波段选择方法组成的教师方法池,将它们的波段选择结果进行集成;通过知识蒸馏的方式,构建轻量化的图卷积学生网络,以集成后的波段选择结果为训练标签,在多个数据集上进行训练,使得图卷积网络能够充分学习波段选择任务的元知识,从而实现在未知的新场景下的快速推理。通过大量充分的实验,验证了所提出波段选择模型在跨数据集的波段选择上的优越性能。（3）提出了基于双支路卷积自编码器和自注意力的半监督高光谱图像分类方法。针对在高光谱图像分类中,现有深度学习模型存在的小样本问题,构建无监督支路,对输入的无标签样本和有标签样本进行特征提取与重构;构建有监督支路对有限的标签样本进行特征提取与分类。两种支路的构建使得网络能够同时利用有限的有标签样本和大量无标签样本,大大增强了网络的特征提取能力。同时,利用自注意力机制对重构后的图像进行处理,使得网络能够更加关注于某些更具判别力的光谱与空间信息,提升小样本下高光谱图像的分类性能。