高光谱图像分类是遥感图像处理领域中的热门研究问题,然而大量高光谱图像的标记样本获取困难,人工标记成本较大,限制了分类性能的提升。针对以上问题,本文基于主动学习和卷积神经网络,设计了适用于高光谱图像的分类方法。通过主动学习挑选出有价值的样本,提高分类模型的性能,在少量训练样本的情况下便能取得较好的分类效果。本文的主要研究内容如下:第一,针对高光谱图像分类中标记样本稀少,限制了分类性能的问题,本文提出了一种基于主动学习的高光谱图像分类方法。该方法利用高光谱图像丰富的光谱信息,分别从光谱、空谱两个方面进行构建。通过主动学习有目的性地构建训练集,为卷积神经网络提供有价值的样本。随后,该方法使用了不同的采样策略进行实验。实验结果表明:主动学习方法可以获得比随机采样方法更好的分类结果。第二,针对在高光谱图像分类中,传统的主动学习仅利用了专家标记的数据作为训练样本,大量未标记数据没有被充分利用起来的问题,本文研究了一种基于主动深度学习的高光谱图像分类方法。该方法对高光谱图像的光谱波段进行主成分分析,利用了图像的空谱信息,输入标签样本训练卷积神经网络并对未标记样本的所属类别进行概率预测,使用采样策略对样本进行评估。对于信息量高的样本,专家赋予其标签;对于置信度高的样本,计算机自动赋予其预测标签。实验结果表明:在相同标记样本量的情况下,本章所提出的方法比随机采样方法的分类结果更好。第三,针对单一策略对样本价值的评估不够全面,容易引入错误标签的问题,本文提出了一种基于多策略主动深度学习的高光谱图像分类方法。该方法在挑选样本的核心部分进行了改进,为了挑选出可靠性高的未标记样本,该方法将多种采样策略结合起来,通过对样本的差异性、确定度进行判断,以此来挑选样本。实验结果表明:该方法能够取得较高的分类精度,并且可以大大减少人工标记的成本。