高光谱遥感技术是20世纪末人类观测技术的重大突破,已被广泛应用于测绘、环境与灾害监测等领域。其中高光谱图像分类已成为近几年来热门研究方向。目前高光谱图像分类主流方法是机器学习,而传统机器学习对目标样本分类具有一定的前提条件,即要求测试样本和训练样本必须符合相同的特征空间、数据分布,并且需要足够数量的训练样本才能获得不错的分类性能。然而,由于人工标注成本过高,加上环境等因素限制,采集到的大部分高光谱数据没有足够的标注样本,这给高光谱图像分类带来了困难与挑战。为了解决这个问题,摆脱传统学习方法的束缚,在目标域场景仅有少量样本的前提下,本文提出的方法有效利用源域中可用的大量标记样例来辅助目标域分类,并且获得不错的分类性能。论文主要从多特征提取及决策融合、特征迁移学习和光谱波段相关性注意力机制三个方面上解决目前跨场景高光谱图像分类遇到的问题。（1）针对目标域标记样本少,仅仅利用光谱信息不足以提取到可鉴别的特征表示的问题。本文提出了一种基于多特征提取及分类决策融合的高光谱图像分类算法。该方法对不同域（源域和目标域）高光谱数据集做相关性对齐,降低数据集空间分布差异,有利于后续的公共特征提取,接着设计多特征提取器,分别提取光谱空间特征和纹理特征,然后通过多任务稀疏逻辑回归分类器有效地结合提取到的多种特征,最后通过投票决策融合机制得到目标域分类结果,该算法充分利用源域数据集的辅助信息,降低目标域对标记样本数量的依赖,提升分类性能。（2）为了避免传统手工设计特征提取器带来的麻烦和进一步高效利用源域的可迁移特征,和同时防止特征迁移过程中常常发生的负迁移现象。本文设计了双通道深度残差卷积神经网络,网络中的残差模块的多个卷积层采用硬参数共享,以此可自动提取到联合空谱维度上深层次特征表示。最后对网络提取到的特征进行筛选,最大化源域标记样本的辅助作用,避免不相关的样本之间强行迁移导致的负迁移问题。（3）为了进一步降低跨场景数据集的数据空间分布差异。本人在设计好的双通道深度残差卷积神经网络中加入光谱波段相关性注意力机制,让双通道残差网络在特征提取时能够兼顾到不同域之间的波段激活情况,注意力同时集中在源域和目标域有意义的光谱波段上,降低了无意义波段的价值,这样有助于提取到更多共同特征,同时有效使源域数据分布与目标域数据空间分布更接近,从而进一步提高分类精度。实验结果表明,相对传统的跨场景分类算法,我们提出的方法提取到的特征有着更强的表征能力,并且在整体分类精度和鲁棒性表现更佳。