高光谱遥感是一种光谱学与成像理论有机结合的先进遥感技术,能够获取可见光至短波红外甚至中红外和热红外谱段范围内,分辨率达到纳米级的高维影像数据,包含丰富的几何、辐射和光谱信息,自20世纪80年代以来一直是遥感领域的研究热点,目前在生态监测等对地观测任务以及月球、火星矿物分析等深空探测任务中已经得到广泛应用。例如,我国对地观测高分五号、探月工程嫦娥一号、火星探测天问一号等卫星均搭载了高光谱成像仪,表明高光谱遥感既是学术前沿又具备应用价值,对于促进我国科技发展和增强我国经济建设具有重大的战略意义。高光谱分类是高光谱遥感影像解译的重要研究内容之一,其目标是识别图像中的每个像素并赋予其特定的类别标签,实现对场景的像素级语义解析。由于高光谱影像波段数目多,特征维数高,容易引发“维数灾难”的问题;受成像机制和成像条件的影响,高光谱图像呈现出“光谱混叠”、“同物异谱”和“同谱异物”的光谱不确定性,因而会造成错误识别。进一步的,在实际中高光谱影像的标注需要耗费大量的人力、财力和时间,可用的标注样本数量较少,无法充分提取地物鉴别性特征和代表性特征,难以通过训练来获得准确的分类结果。为了解决上述问题,并应对少样本对高光谱遥感影像的高精度分类带来的更大挑战,本文研究了高光谱在少样本条件下受特征维数高、光谱不确定性影响的地物分类算法,并通过真实数据进行了充分的验证和评估,取得的主要研究成果包括:一,提出了一种基于混合残差注意力的深度原型网络模型,将原始高维特征映射至高判别能力的低维特征空间,解决了少样本更易引发“维数灾难”的难点问题。具体而言,本模型设计了一种判别性的基于距离的交叉熵损失函数,与基于深度学习的多类别分类模型中常用的交叉熵损失函数相比,该函数能够更有效地重组和发现隐含于高光谱中体现地物分异的特征,使得低维嵌入空间中同类别特征更加紧凑,不同类别特征更加分散,分类边界更加明确。此外,考虑到高光谱影像“图谱合一”的数据特性,本模型构建了一种由残差波段注意力模块和残差空间注意力模块组成的混合残差注意力网络,以增强重要的光谱和空间信息。通过消融实验证明了所提损失函数和混合残差注意力机制对分类性能带来的提升,在不同训练样本数目的实验设置下,本模型与多种算法进行对比均表现出一定的优越性,例如在Houston University 2013标准数据集上达到了90.53%的平均分类精度。二,提出了一种基于注意力光谱先验的多方向网络分类模型,通过多方向的邻域样本构造方案提升了样本特征的多样性,缓解了少样本导致典型空谱特征提取更加困难的问题。此外,本模型设计出连续的光谱和空间三维挤压-激活残差网络模块,用来提取中心像素的光谱-空间结构特征,同时创新性地采用一维光谱先验信息构造注意力,用以强调重要的邻域样本并抑制不重要的邻域样本,从而以物理可解释的方案实现多方向深度特征的自适应融合。实验结果表明,该算法有效提升了光谱不确定性较为明显的地物分布边缘区域的分类结果,例如在Pavia University标准数据集上达到了93.97%的平均分类精度。三,提出了一种基于多尺度上下文感知的高效分类模型,通过多级超像素分割将高光谱的每种地物聚类为自适应的邻域样本,深化利用高光谱图像光谱域和空间域的结构信息,进一步解决了少样本导致典型空谱特征提取更加困难的问题。本模型利用多尺度上下文感知模块生成多样性的光谱-空间特征,再将这些特征和原始光谱输入集成的深度核超限学习机进行特征提取及融合,从而实现了高精度且高效的分类性能。例如,在高分五号卫星获取的Yancheng数据上,该模型仅需每类的15个训练样本,便达到了相较于其他对比方法更高的96.37%的总体分类精度。四,提出了一种基于半监督对称图度量学习的高效分类模型,通过利用未标注的样本信息,进一步提升了高光谱图像的分类性能。首先,本模型结合深度度量学习设计了一种度量损失函数,使得低维空间的类别边界能够根据样本典型表征（类别中心）灵活地进行调整,有效增强了特征的鉴别性。其次,该模型采用自适应的多级超像素模式构建拓扑图,随后利用多层的图卷积和通道自增强卷积之间的交互运算,可以挖掘高光谱数据中潜在的光谱-空间结构信息,得到超像素图节点的代表性深度特征。相对于原始的像素级样本特征,超像素模式的数据量得到明显压缩,大幅提升了图网络的学习效率。最后,模型通过建立超像素到单像素的对称反映射,并综合多尺度的输出特征得到像素级的准确分类结果。实验表明该模型在少样本的情况下相比现有算法能够得到更好的分类效果。例如,在KSC数据集上每类选取30个带标注样本,达到了99.02%的总体分类精度。综上所述,本文有效解决了少样本下高光谱遥感影像分类性能低的瓶颈问题,可为高光谱分类在地质勘测、智慧农业、城市规划、深空探测等重要领域的实际应用提供优化的理论方法与技术。