高光谱成像技术是二维成像技术与一维光谱探测技术的融合,能同时获取目标的空间信息和反射光谱信息,具有极大的信息丰度,在伪装目标探测、医疗疾病诊断、精准农业和刑事取证等领域有着广泛的应用。在这些应用中,高光谱分类技术发挥着重要作用。如果说高光谱成像技术的作用是“感”,那么高光谱分类技术的作用就是“知”,“感”的目的是为了实现对环境的“知”,只有将二者结合起来,才能实现高光谱的“感知”。然而,传统的高光谱感知技术多属于被动感知技术,对太阳辐射有着严重的依赖性。为了克服被动高光谱成像技术的缺陷,有必要引入合适的宽谱光源来替代太阳对场景进行照明。近年来随着超连续谱激光技术和深度学习技术的飞速发展,基于超连续谱激光的主动高光谱智能感知技术成为研究和应用的趋势。当前国外已开展了相关研究,在军事方面做了初步探索,但该技术整体仍处于“感”的阶段,对“知”的研究较少。另一方面,深度学习技术的崛起避免了以往人工提取特征的工作流程,在诸多领域取得了更好的性能,使得智能化发展成为新的技术趋势。结合深度学习技术的优势,有助于实现高光谱成像技术的智能感知。为了推动超连续谱激光照明的主动高光谱成像技术的进一步发展,本文先后研究了90°离轴抛物面反射镜和鲍威尔透镜作为激光整形器件的成像效果以及分类效果,建立了超连续谱激光照明的主动高光谱图像数据集,提出了一系列基于深度学习的高光谱分类方法。本文完成的主要内容以及具有现实意义的工作如下:（1）传统的高光谱分类方法多使用Soft Max分类器和Soft Max交叉熵损失函数训练分类模型,所提取到的分类特征是线性分布的,存在类内特征差异大于类间特征差异的现象。针对这一问题,提出一种基于原型学习机制和卷积神经网络的高光谱分类方法。该方法在二维特征空间引入原型的概念,构造基于原型学习机制的类别预测函数和基于原型距离的损失函数,对Soft Max分类器和Soft Max交叉熵损失函数进行了替换。该方法提高了分类特征的类内集中度和类间分散度,提升了卷积神经网络的分类性能,有助于实现分类特征的二维可视化,使用户可以直观看到模型学习到的特征在二维空间的分布。（2）面向主动高光谱智能感知技术的应用需求,搭建了超连续谱激光照明的主动高光谱成像系统,其由超连续谱激光器、高光谱成像仪、激光整形系统和电控转台等器件构成。针对主动高光谱分类的问题,提出基于深度学习的主动高光谱智能感知算法Hybrid DN,该分类模型包含一维（1D）光谱分支和二维（2D）空间分支两条平行并列的分支结构,可以同时提取目标的光谱特征和空间特征。此外,先后探究了90°离轴抛物面反射镜和鲍威尔透镜作为激光整形器件的成像效果以及分类效果。实验发现,后者可以有效避免由激光光强分布和光谱分布的不均匀性导致的“同物异谱”的现象,具有更强的实用性。（3）主动高光谱智能感知技术在对环境进行感知时,常会遇到训练过程中未曾见过的目标类别。对于这些未知类,传统的高光谱分类方法只能将其分类为已知类中的某一类或几类。针对这一问题,提出一种基于欧式距离和深度学习的高光谱开放集分类方法。该分类方法首先引入固定类别中心的概念用于代表各已知类在标签空间的分布中心;然后构造基于欧式距离的类别预测函数和损失函数使卷积神经网络学习到类内分布相似度更高、类间分布差异更加明显的分类特征;最后使用箱线图和Weibull分布模型对各已知类的分类边界进行约束,使得卷积神经网络不仅能对已知类进行分类也能对未知类进行拒绝,很好地解决了高光谱未知类目标检测的问题。（4）实际应用时,环境的光照条件、大气条件、目标姿态等均可能发生变化,这将导致同类目标在源域图像和目标域图像中表现出不同的数据分布,使得基于分布一致性假设的传统分类方法无法处理“跨域分类”的问题。针对这一问题,使用基于鲍威尔透镜的主动高光谱成像系统建立了源域和目标域的主动高光谱数据集,提出了一种基于领域自适应的主动高光谱分类方法,通过构造特征提取器、标签分类器和领域分类器,让分类模型学习到具有类别区分性和领域不变性的分类特征,实现“跨域分类”。该方法增强了主动高光谱智能感知技术对环境的适应能力,使得主动高光谱智能感知技术具备了一定的跨域分类能力。