高光谱遥感具有更高的光谱分辨率,使得人们对地物属性特征的认知不断深入,而分类技术作为高光谱遥感的一项重要内容,在很大程度上决定着后续专题图的制作与应用,然而高光谱图像丰富的空谱信息与标记样本缺乏的矛盾严重地制约了高光谱图像分类技术的发展。因此,本论文从高光谱图像特性出发,针对空谱信息的有效提取以及样本在多场景中的适应性等问题进行了分析研究。为了实现空谱信息的有效提取,论文首先研究了多尺度空谱特征的提取方法,通过改进联合双边边缘保持滤波器提出了自适应双边滤波器。该方法实现了多尺度空间特征的提取,同时避免了联合双边边缘保持滤波器复杂的调参问题且改善了分类效果。此外,针对像素级分类结果图上容易产生的“椒盐噪声”问题,引入了基于概率结果图的后处理方法,通过加强像素点之间的相关性,提高了分类结果图空间区域上的连续性,实现了分类精度的进一步提升。针对复杂场景中的空谱特征提取和样本不足的问题,论文以深度学习理论为基础,提出了多尺度空谱联合双分支网络(Multiscale Spectral-Spatial Unified Network,MSSN),借助于深度网络更强的特征提取能力,有效地增强了在复杂场景下的分类性能。鉴于高光谱图像缺乏标记样本的问题在深度网络中表现得更加突出,因此论文对基于“伪标签”的半监督学习方法进行了研究。该方法充分利用了数量众多的未标记样本,解决了多尺度空谱联合双分支网络在训练样本不足时的分类性能,实验结果也证明了方法的有效性。最后,论文在多尺度空谱联合双分支网络的基础上,针对高光谱数据样本在多场景中的适应性问题,研究了迁移学习在该问题上的应用。本文从相同高光谱传感器多场景图像的网络迁移和不同高光谱传感器多场景的网络迁移这两个方面出发,分别采用基于模型的迁移学习方法和基于特征-模型的迁移学习方法进行研究探讨,增加了在新场景图像中的样本数量并增强了样本的适用性,有效地解决了高光谱图像标记样本缺乏的问题,提高了分类性能。