随着深度学习,强化学习,元学习等学习模式的蓬勃发展,通用人工智能逐渐成为人工智能的目标。典型地,Alpha Go首先利用自学习模式取得了该方面的革命性突破。智能化特征提取代替繁杂的手工特征提取,越来越成为高光谱影像分类应用中的流行趋势。目前,很多基于深度学习的方法,例如SAE,DBN,CNN等,都在高光谱数据上展示了强大的特征提取能力。尤其是,CNN得益于卷积算子的特殊性,在高光谱数据上取得了非常有竞争性的分类性能。高光谱影像分类是像素级分类,每个像素点都是一个离散的样本。固定结构的CNN算子通常会造成边缘模糊,而结构灵活的图卷积算子相对更适合像素级的高光谱影像分类。得益于智能化和自主性学习的发展,探索性,持续性地更新分类器,能够缓解高光谱数据标记困难,标记样本少的问题。因此,本文从图像结构特征和智能化分类角度出发,提出将图卷积神经网络和强化学习引入高光谱影像分类,主要工作如下:(1)提出了一种基于新型相似性度量和图注意力卷积神经网络的高光谱影像分类方法。该方法将新型相似性度量方法KSAM-SID与注意力机制相结合,能够灵活选择邻域样本,并构造为邻域样本分配不同注意力的图位移算子,从而在网络迭代过程中增强重要信息,抑制无用信息,提高特征的可靠性。实验证明,该方法在样本数量少的类别和分类边界表现良好。(2)针对经典GCN存在的过平滑问题,和构图过程中KNN参数k无法很好的适应高光谱影像不同区域尺度的问题,提出了一种基于多尺度自适应注意力机制和深度图卷积网络的高光谱影像分类方法。该方法结合skip-connection和空洞卷积实现网络模型,有效缓解了深层GCN的梯度消失问题,并能够实现多尺度特征提取以适应不同结构的同质区域。另外,该方法引入动态注意力机制解决迭代过程中样本邻域影响力固定不变的问题,能够自适应地更新样本之间的相似性,聚合更有效的特征。相比方法(1),深层GCN能够提取更高阶,更抽象的特征,并在不同同质区域表现更好。(3)从智能化学习角度出发,提出了一种基于深度Q学习网络的高光谱影像分类方法。该方法把高光谱影像分类看作一个猜测游戏,其中游戏状态设置为训练样本目前的分类情况,样本动作设置为标签集合,延时奖励根据少量真实标签设置。利用深度学习方法计算游戏过程的即时奖励,通过多个回合仿真游戏以更新网络参数,使即时奖励变得可靠。该方法能够自主学习模型参数,在高光谱影像分类中显示出较大的潜力。本文提出的高光谱影像分类方法致力于挖掘样本之间符合数据特征的联系,从而有利于用很少的,或者不用标记样本就能训练得到鲁棒性能比较高的分类器。实验证明应用图卷积神经网络和强化学习能够从全新的角度学习高光谱影像分类器,有助于进一步提高分类性能,同时降低人力成本。