高光谱遥感技术发展至今,已经成为了农业、军事、工业生产等多个领域中不可或缺的一项重要技术。对高光谱图像中的像素进行分类是高光谱遥感数据在实际应用中最为广泛的需求。以深度学习为代表的高光谱图像分类方法被大量提出,基于充足的标注数据,这些方法在分类性能上取得了显著的成效。然而,目前高光谱图像处理面临的主要问题是难以获得大量精准标注的样本来充分训练深度网络,数据问题已经成为限制分类性能的瓶颈。同时,高光谱图图像复杂的背景信息也给深度模型带来的严重的干扰,导致像素被错分、误分。如何在少量标注样本条件下得到准确的分类性能是目前研究的重要方向。本文针对业内难点问题,分析了高光谱图像自身特性和分类难点,结合Transformer网络模型、半监督学习、元学习、多注意力机制等,提出了三种有效的高光谱图像分类方法。本文的研究内容可以概括如下:（1）提出多支路注意力机制Transformer网络的高光谱图像分类模型。首先针对高光谱图图像中大量的光谱冗余信息,设计了光谱特征提取模型来充分的压缩光谱维度并提取光谱特征。然后,设计了空间注意力网络,对有效的空间特征进行增强并抑制无效的特征信息,同时使用Transformer Encoder网络来获取图像的全局注意力并进行分类。最后,一个掩码反馈分支被用来引导网络的注意力集中于目标像素,提高模型对于真实目标像素特征的拟合能力。实验证明,对于复杂背景下的高光谱像素块,本方法有明显的改善效果。（2）提出基于CNN-Transformer网络的半监督高光谱图像分类方法。进一步探索复杂背景中高光谱像素块特征精确提取的方法。首先设计了融合局部特征和全局特征的CNN-Transformer双路网络,有效改善难分样例容易被错分的问题。然后针对少量的标注数据条件下网络训练难的问题,结合半监督训练方式,使用大量无标注数据进行辅助训练,利用一致性原则和伪标签技术,设计了可以自主训练的半监督分类模型,利用多种训练损失综合来更新网路参数。在多个数据集上的对比实验和消融实验,说明了本方法的有效性,相比于有标签数据的监督学习,本方法在分类准确率上提升了超过一个百分点。（3）提出基于Transformer模型的元学习高光谱图像小样本分类方法。针对复杂背景问题中的像素分类提出了新的解决方法。首先,引入可变形卷积和Transformer模型相结合的方法,使模型的注意力集中于真实的目标分布区域,从而提高模型对真实目标特征的提取能力。其次,考虑到在样本数量极少的条件下,监督学习和半监督学习都无法发挥作用,引入了元学习的方法,通过基类任务的训练,使模型在新任务上能够依赖少量数据进行准确的学习。本方法在三个数据集上都达到了超过90%的准确率,实验结果证明了,本方法在有限样本数量的分类上,具有实际的优势和应用价值。