高光谱图像分类是遥感对地观测的重要内容,被广泛应用在民用和军事领域。高光谱遥感图像具有大量的光谱信息和空间信息,可以利用这些信息进行地物分类与识别。近年来,随着深度学习技术的发展,基于深度学习的高光谱图像分类在方法和性能上得到了突破性的进展。然而,高光谱图像的高维特性、波段之间的高度相关性使得高光谱图像分类面临着巨大的挑战。在高光谱图像分类任务中,普通的深度卷积架构（图像网格、三维体素）格式需要高度规则且计算需求较大。此外,用于高光谱图像分类的深度学习模型需要有标签的训练样本,造成了人力资源的浪费。为了减少计算需求,加强自动化,本文在强化学习、点云和自监督学习方面进行了相关研究。本文的主要工作如下:（1）提出了基于深度强化学习的高光谱图像波段选择方法。该方法通过智能体与环境的交互自主地选择最佳的波段。把波段选择看做马尔科夫决策过程,智能体依次根据已经选择的波段选择下一个波段。为此本文对波段选择模型设计了新的奖励,通过信息熵和中心光谱的余弦距离作为奖励能够使得选出的波段具有丰富的光谱信息和较强的独立性,有益于分类任务。同时,本文使用深度强化学习的策略,包括双网络策略、经验回放和Dueling DQN的网络结构用来模拟波段选择的值函数。实验证明,本文的波段选择能够得到较好的分类结果。（2）提出了基于点云和图卷积的高光谱图像分类方法。目前,大多数的神经网络特征提取的输入是图像块,这导致需要训练大量的参数,计算量需求大。为了解决上述的问题,提出了基于点云特征提取和图类别嵌入的高光谱图像分类。首先,使用提出的深度强化学习波段选择方法实现数据降维,从源头减少分类模型的计算量。然后,把添加位置信息的高光谱图像看成点云而不是图像块,使用点云特征提取模块通过简单的多层感知器和求和对称函数进行光谱特征提取。接着,计算类别的相似性作为图卷积的输入得到类别嵌入特征,用来辅助特征提取模块,并把类别嵌入信息加入损失函数防止过拟合问题。（3）提出了基于点云和对比学习的小样本高光谱图像分类方法。针对小样本情况下分类精度不高的问题,本文提出了同质光谱空间伪标签算法,通过增加训练样本的数目提升分类的效果。此外,为了探索光谱自身的自监督信息,设计了适合高光谱图像的对比学习方法。通过对高光谱点云数据进行数据增强,对原始数据和增加后的数据进行特征编码和映射来最大化对比损失,从而使得相似的光谱距离更近,不相似的光谱距离更远。通过实验证明,本文提出的方法在小样本情况下分类精度能够比较理想。本文提出的高光谱图像分类方法具有简单而统一的结构,能够使用较少的内存得到分类精度较高的结果。此外,本文提出的小样本高光谱图像分类能够充分挖掘自身的潜在特征,充分利用少量的标记样本。