在高光谱图像（Hyperspectral Image,HSI）的每个像素点上有数百个光谱波段,并由此形成了一个三维的图像立方体,其中每个光谱波段可以被视作一个二维的图像,因而组成的图像立方体包含有大量的信息。通过分析这些信息,每个像素点可以被预测为某一个类别,并且精准地预测出这些像素点的不同类别是可行的。随着分类技术的高速发展,高光谱分类成为了军事、农业和航空的基础。近些年来,某些高光谱图像分类算法可以达到99%的识别准确率,但这些结果是在有充分训练样本的情况下取得的。一方面,面对一个新的类别,当有标签数据不充足时,几乎所有的深度学习方法在性能上都有很大幅度的减少;另一方面,手动标记数据是耗时的和昂贵的,而在某些情况下需要尽可能快地训练出一个识别率较高的网络。学会如何在只有少量标记样本作为训练集的情况下获取好的结果引起了越来越多的关注。本文分析了小样本问题难点和高光谱图像的特性,结合Transformer网络、生成对抗网络、自监督学习等机制提出了三种有效的高光谱小样本分类算法。本文的研究内容可以概括如下:（1）提出Transformer结合生成对抗网络的高光谱图像分类模型。针对小样本情况下缺乏训练数据的问题,采用了生成对抗网络扩充数据集。判别器由双通道特征抽取层和Transformer编码器组成,双通道特征抽取层分别采用2D-CNN和3D-CNN学习光谱特征和空谱特征,获取的特征再经由Transformer组成的ViT框架的分类网络进行分类。在生成器部分,为了提高生成样本的质量,将具有双向注意力机制的Transformer融入其中,使得生成器具有了较强的样本生成能力。而较强的生成样本也进一步加强了判别器的分类能力。通过在三个高光谱数据集上进行实验,证明了本章方法相比于其他先进的算法更具优越性。（2）针对高光谱小样本分类问题中难以学到有效特征的问题,对于光谱特征和空谱特征两种不同的特征类型分别采用了两种不同的Transformer变体。其中光谱通道采用了卷积Transformer,这解决了光谱波段序列过长导致计算复杂度高、特征获取难的问题。卷积Transformer同时具有卷积核的共享权重、空间子采样、局部感知野的优点和Transformer网络的动态注意力机制、更好的泛化能力和全局上下文环境融合的优点。空谱通道采用了具有长短注意力机制的Transformer结构,从而能同时捕捉到大尺度和小尺度的特征,相比于其他方法能捕捉到更丰富的特征。通过在三个高光谱数据集上进行实验,证明了本章方法相比于其他先进的算法更具优越性。（3）提出了基于Transformer模型的自监督学习方法。首先使用BYOL对比学习方法进行无监督学习以获得较强的特征提取器,并将其中的编码器设置为Transformer网络。针对于高光谱数据的特征,Transformer结构采用了基于光谱的多头注意力机制。在将输入的图片进行了两种不同的增强后分别输入BYOL框架的在线网络和目标网络。针对小样本问题里可训练样本不足的问题,对于每一张图片进行多次不同的增强并输入网络进行训练,从而以一种契合于BYOL框架的方式解决了这一问题,并有效提高了模型的分类能力。无监督训练完成后,从BYOL框架里提取出Transformer编码器作为特征提取器已具备高效的特征提取能力。从编码器里提取出的特征通过SVM进行分类即可获得较好的分类结果。这种方法使得最后的分类器仅由Transformer和SVM组成,探索出Transformer作为分类器在高光谱小样本分类问题的潜力。通过在三个高光谱数据集上进行实验,证明了本章方法相比于其他先进的算法更具优越性。