遥感探测技术近年来飞速发展,获取遥感影像的方式越来越多,分辨率也逐渐提高。作为遥感成像中的重要组成成分,高光谱影像同时具备探测目标的光谱信息和空间信息,被广泛应用在地质勘探,农业科技,城市规划等方面。众多研究人员针对高光谱影像的处理分析提出了各种解决方案,但是传统方法大多无法充分利用无标签数据,或者无法处理冗余的特征,无法准确高效的对高光谱影像进行分类识别。深度学习方法伴随着高性能计算技术的发展,在图像处理领域逐渐显示出越来越强大的统治力。面对图像分类,检测,生成等任务,各种神经网络模型层出不穷。本文在分析高光谱数据特点的情况下,将深度学习方法应用于高光谱影像分类问题上,具体工作如下:1)针对传统方法无法利用无标签数据信息的问题,提出一种基于进化生成对抗网络的高光谱影像分类方法,首先利用生成对抗网络强大的无监督学习能力,使方法可以有监督分类的基础上,提取无标签数据的特征;然后采用进化算法优化生成对抗网络的训练过程,利用多个目标函数产生不同的生成器,避免出现模式崩溃和梯度消失的情况。2)针对进化生成对抗网络中子代多样性差,并且可能出现学习退化的问题,提出了一种基于免疫进化生成对抗网络的高光谱影像分类方法,借鉴交叉的思想采用一种新的子代产生方式,使得子代生成器可以最大程度自由组合,提高搜索的广度,借鉴免疫算法中免疫调节和记忆细胞的思想,平衡无监督学习和有监督学习间的权重,并防止出现退化现象。3)针对卷积神经网络模型参数多,处理冗余特征的计算开销大的问题,提出了一种基于EMP特征和Ghost模块的高光谱影像分类方法。方法首先用主成分分析(PCA)对数据进行降维,之后获得降维数据的扩展形态学剖面特征,再将特征送入Ghost模块构成的神经网络模型中进行分类。Ghost模块可以用较小的计算代价产生特征图中的冗余部分,在不损伤特征丰富度的情况下减少模型的计算代价,提高运行效率。