高光谱图像同时包含丰富的光谱信息和空间信息,给地物分类带来了巨大机遇的同时也给分类算法提出了新挑战。近年来基于深度学习的高光谱分类算法取得了突破性的进展。然而,深度学习模型对大量标注样本的需求和高光谱小样本问题之间的矛盾,成了此算法取得进一步发展的瓶颈。本文针对这一问题,研究面向高光谱图像小样本分类的深度网络模型的构建及优化,并在多组高光谱数据集上进行了实验验证,具体工作和创新点如下:（1）现有的利用深度模型提取高光谱图像空谱特征的算法在引入空间特征的时候,会在一定程度上忽视光谱特征,针对该问题提出了一种一维残差网络和二维残差网络相结合的双通道网络结构,利用深度学习自主学习的优势,自动提取高光谱图像的空间特征和光谱特征。其次针对高光谱图像人工标记样本较少的问题,提出一种基于光谱特征和空间特征的半监督协同训练框架和样本选择机制。在协同训练过程的每次迭代中,双通道网络从空间特征和光谱特征分别训练,并且为彼此选择一部分未标记的样本用于下次迭代。最后,通过在三个公开的高光谱数据集和选定的Hyperion数据集上测试,验证了该算法的优点。（2）针对三维卷积神经网络用于高光谱图像分类时网络规模过大,参数过多,并且需要大量标注样本的问题,提出一种基于三维轻量化网络和深度聚类联合学习的半监督深度学习框架。首先利用三维轻量网络提取深度特征及分类。然后,将近似排序聚类算法用于深度特征聚类,以生成大量未标记样本的伪标签。最后,通过使用已知样本标签和伪标签最小化双重损失来微调轻量化网络。该框架中的聚类模型和分类模型互相促进,以联合学习的形式迭代学习更新。实验结果表明,利用伪标签样本对深度卷积网络的训练是有效的。在训练样本较少的情况下,在三个具有挑战性的高光谱数据集上进行实验,该算法的性能明显优于目前最新的基于深度学习的算法和传统的高光谱分类算法。（3）针对三维卷积神经网络随着网络深度的增加参数过多,在小样本下网络训练容易出现过拟合的现象,提出了一种基于谱注意力机制的稠密连接卷积网络,该网络使用多尺度扩张卷积而不是传统的缩放操作来学习不同尺度的特征。稠密连接可以连接从不同网络层学习到的三维特征图,从而可以在不增加网络深度的情况下获得多种尺度的特征,减少网络参数的同时有效抑制过拟合。其次,现有的深度模型在高光谱数据降维时,往往需要先对原高光谱图像进行谱空间上的降维,再将谱信息与降维后提取出来的空间信息相结合得到空谱特征,针对该过程十分复杂,计算量大,且损失了一定的光谱信息,影响精度的问题,提出一种新颖有效的光谱注意力机制,可以有选择地强调信息量大的光谱特征,抑制信息量小的光谱特征。最后,在三个高光谱数据集上的实验结果表明,所提的三维多尺度稠密连接卷积网络和光谱注意机制相结合的算法优于最新的高光谱分类算法。（4）针对低空间分辨率导致的混合像素影响高光谱分类精度的问题,提出了一种新颖的高光谱分类框架,该框架将光谱解混引入到3D/2D稠密连接网络作为分类结果的补充。考虑到混合像素导致高光谱数据通常是易分样本和难分样本的混合这一事实,提出一种具有早退出机制的多个中间分类器的网络结构,该网络结构可以在不损失分类精度的情况下缩短测试时间,这为计算要求和最终性能带来了相当大的益处。其次针对训练三维卷积网络参数过多和训练样本较少的矛盾,提出一个基于空谱特征的3D/2D卷积,使得所提网络能够包含较少的三维卷积,同时也可通过二维卷积获得更多的光谱信息来增强特征学习,从而降低了训练的复杂度。最后,在四个公开的高光谱数据集上验证了该算法的优势。实验结果表明,该算法比其他基于深度学习的算法和传统的高光谱分类算法具有更好的性能。