高光谱图像分类是遥感图像处理领域中具有挑战性的课题之一,能有效实现地物的精细识别。然而,有限的训练样本极大制约了高光谱图像的分类性能。生成对抗网络（Generative Adversarial Networks,GANs）因其强大的生成能力而闻名,它通过生成器和判别器的对抗优化,迫使生成器学习真实样本的分布,从而获得高质量的生成样本。同时,判别器也在不断的判别过程中提升了分类能力。因此,GAN被应用于高光谱图像分类任务中以缓解训练样本不足的问题。在高光谱图像中,地物类别多样且类别分布不平衡,这容易导致GAN陷入模式坍塌,同时使得少样本数目类别对应的生成样本缺乏多样性。同时,受限于成像条件的影响,高光谱图像中易出现“同谱异物”的现象,使得某些易混淆样本难以被有效辨别。针对上述问题,如何有效设计适合于高光谱图像分类任务的生成器和判别器,使得GAN能够缓解模式坍塌问题,在生成多样性样本的同时,实现困难样本的有效区分是本论文的研究重点。此外,高光谱图像波段数目众多,使用全波段图像进行分类对网络运算效率提出了巨大的挑战。现有方法会先对高光谱图像进行降维以减轻网络的计算成本,但降维后的图像会损失一定的信息。因此,如何对高光谱图像进行处理,使之保留较少维度的同时最大化利用原图像中的重要信息也是本文的研究重点之一。为了针对性地解决这些问题,本文提出了三种不同的GAN方法用于高光谱图像分类,主要研究内容如下:（1）提出了一种基于多分支生成器和多粒度判别器的GAN方法。该方法针对地物类别分布不平衡的问题设计了一个具有多分支结构的生成器,通过对训练样本的重划分来削弱多样本量类别的生成优势,再使用自适应融合模块对多分支的生成结果进行融合,迫使生成器生成多样性更好的生成样本。多粒度判别器采用循环神经网络为基础结构,通过空间注意力机制逐步提取待分类图像应当被重点关注的区域,最后利用得到的多粒度判别性特征实现分类。所提方法在三个不同的高光谱图像数据集上进行了实验验证,实验结果验证了所提方法的有效性和优越性。（2）提出了一种基于自监督学习和分治判别器的GAN方法。该方法依据自监督学习架构设计了一个基于编码-解码网络的上游聚类任务和基于分治判别器的下游分类任务。聚类任务利用大量无标签样本学习其在高维空间中的聚类中心,在训练完成后该聚类网络将被迁移到分类任务中用作聚类器,再对下游分类任务中的有标签样本进行精确划分。针对“同谱异物”问题,该方法所设计的分治判别器会将这些容易混淆的困难样本送到专家分支之中再分类,以此实现困难样本分类精度的提升。经过实验验证,所提方法具有有效性并且优于其他对比算法。（3）提出了一种基于样本增强和掩码编解码的GAN方法。该方法针对训练样本信息提取不充分问题,设计了一种可学习的样本增强方式以最大化地提取原图像中的有效信息。利用光谱和空间注意力得到一个空间权重图,再将经过主成分分析之后的高光谱图像与空间权重图相乘得到增强后的输入图像。其次还提出了一个带掩码的编解码生成器,通过掩码的方式遮挡掉输入图像中一定比例的空间块,仅在少量可见的空间块上学习最终得到生成样本。比起使用随机噪声进行反卷积得到生成样本的方式,该方法直接在真实样本上学习,这不仅能够降低生成器的生成难度,还能提升生成样本的质量。实验结果验证了所提方法的有效性。