基于深度学习的高光谱图像分类已取得巨大的成功,但深度学习方法需要大量的有标记训练样本,而标记样本的获取非常困难,需要花费极大的人力、物力和财力。在实际分类应用中,新场景（目标域）图像往往只有极少量有标记样本,但其它场景（源域）图像却往往有足够的有标记样本。因此,可以借助拥有大量有标记样本的源场景来帮助只有极少量有标记样本的目标场景进行分类。Few-shot学习是实现少样本分类的有效方法。Few-shot分类利用元学习思想,从源域数据中学到的通用信息（元知识）可以帮助对目标域数据进行预测。为解决仅有少量标记样本的目标场景的精确分类,本文结合不同源域数据集,提出两种不同的few-shot分类方法。主要内容如下:（1）在高光谱数据作为源域数据集时,提出一种深度跨域few-shot学习方法,首次在统一的框架下解决few-shot学习和域间差异问题。该方法首先使用图像映射来保持域间光谱维度一致,然后构建深度网络来提取深度空谱特征,并通过条件对抗域自适应技术来缩减域间差异,实现域间整体分布的对齐。此外,源域和目标域同时进行few-shot学习,不仅可以从源域中学习可迁移的知识,还可以学到对目标域更具判别性的特征嵌入模型。该方法的有效性在四个不同高光谱数据集上得到证明。（2）在自然图像数据作为源域数据集时,提出一种异构few-shot学习方法,该方法将自然图像数据中丰富的纹理和结构等空间信息迁移到高光谱空间特征提取部分,实现异构数据集之间的迁移,同时利用设计好的网络提取光谱特征,并融合提取的空间和光谱特征,以提高高光谱图像分类的准确性。首先在mini-ImageNet数据集进行few-shot学习,然后在高光谱数据集进行微调,不仅可以实现源域所学通用知识的迁移,还可以实现目标域图像鲁棒空谱特征的提取。该方法的有效性在三个不同高光谱数据集上得到证明。