高光谱遥感图像一般由几十到上百个波段组成,富含丰富的光谱信息和空间信息,在国土测绘、地质矿产勘探、军事目标识别与追踪等各个领域有广泛的应用。然而由于高光谱遥感图像维度高、有标记样本少,数据间存在大量冗余,为图像的分类带来了极大地难度。因此,在大量的、复杂度高的高光谱图像数据中高效的提取特征并用于分类是非常有必要的。本文根据高光谱图像的特点,采用了基于图嵌入和深度学习方法来对高光谱遥感图像进行分析。本文研究内容归纳如下:(1)提出了一种基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法。为了充分利用高光谱图像的空谱信息且保持数据本身固有的高阶特性不变,提出了使用张量化图嵌入框架来实现空谱特征提取,所获得的低维投影不仅包含了样本本身的光谱信息,而且融入了样本空间邻域信息,更具有判别性。此外,结合稀疏低秩表示对数据的局部结构和全局结构的表示能力,利用拉普拉斯正则项保持样本间几何拓扑关系,构建了信息更加丰富的稀疏低秩正则图。最后,在高光谱图像上进行实验验证,在边缘和同质区域获得了比其他方法高的分类精度。(2)提出了一种基于样本扩充与生成对抗网络的高光谱图像特征提取和分类算法。由于高光谱遥感图像有标记样本少,不足以训练深度网络,首先提出了使用多尺度超像素分割的方法扩充训练样本量。其次,利用生成对抗网络训练分类模型对高光谱图像进行分类,其包含两个模型:生成器和判别器。采用卷积神经网络作为判别器在光谱维上充分提取样本的光谱信息,采用多层感知机作为生成器来拟合样本所服从的分布。两个网络交替对抗训练,能够提高单个网络的判别能力。此外,为了使得捕获的数据分布更准确,从而提高判别器对输入样本的判别性,对生成器损失函数进行了优化。在高光谱图像上的实验结果显示,该算法能有效地提高分类识别精度。(3)提出了一种基于改进生成对抗网络的高光谱遥感图像空-谱特征提取和分类方法。为了充分提取高光谱图像的空间信息和光谱信息,对生成对抗网络进行了改进:在生成器中,提出了一种基于改进卷积神经网络的空-谱特征提取算法;在判别器中,提出了基于卷积神经网络的光谱特征提取算法,最后,在判别器中将两个网络提取的特征融合并输入至分类器进行分类。由于生成对抗网络采用两种卷积网络交替对抗训练模式,能够获得比单个卷积网络更高的泛化性能。在高光谱遥感图像上的实验结果表明,该特征提取方法对空谱信息的利用率非常高,获得了杰出的性能。