作为遥感领域中基础且关键的技术之一,高光谱图像分类技术是人类认知所处环境的重要方式。然而获取标记样本困难、复杂空-谱特征难以被充分表征等问题的存在,严重制约了高光谱图像分类的进一步推广应用和发展。针对以上问题,本文利用宽度学习、深度学习和领域适应技术研究高光谱图像分类,主要工作包括:1.针对在低标注代价下难以对高光谱图像进行分类的问题,提出一种基于数据增强宽度网络的高光谱图像半监督分类方法。首先,使用图卷积网络从原始高光谱图像中提取深层、非线性的空-谱特征作为输入。其次,提出组合均值法,有针对性地挑选出有价值样本生成样本扩充集用以支撑模型训练。然后,利用宽度学习对经图卷积网络提取和组合均值扩充后的空-谱特征进行宽度拓展,进一步增强特征的表示能力。最后,通过岭回归理论计算出输出权值。2.针对宽度网络中的线性稀疏特征难以对高光谱数据进行充分表征的问题,提出基于宽度图卷积网络的高光谱图像半监督分类方法。首先,利用图卷积操作获取高光谱图像中丰富的非线性空-谱特征,而不是仅通过原始宽度学习中稀疏自编码进行映射。然后,将具有判别性的空-谱特征进行图卷积宽度拓展,有助于进一步增强特征的表征能力,从而提高宽度图卷积网络的分类能力。最后,通过岭回归理论计算输出权值。3.针对常规宽度网络无法解决跨域高光谱图像分类的问题,提出一种基于领域适应宽度学习的高光谱图像分类方法。首先,根据边缘和条件概率分布的重要性,使用最大均值差异准则按不同权重适配映射特征中源域和目标域特征之间的边缘和条件概率分布,并加入流形约束保持数据流形结构。然后,将领域适应和流形约束添加到输出层目标函数的构造过程中,进一步减小分布差异,保持数据流形结构。最后,输出层权重可通过岭回归理论求解。4.针对领域适应宽度学习对目标域的复杂光谱信息表征困难且无法在适配过程中减少类权重偏差的问题,提出一种基于卷积宽度领域适应网络的高光谱图像分类方法。首先,提出卷积领域适应网络,将领域适应层加入卷积神经网络中以同时对齐源域和目标域边缘概率分布和二阶统计量信息。其次,提出加权条件最大均值差异以计算条件概率分布差异和类别权重偏差,并将基于加权条件最大均值差异的领域适配正则项加入宽度网络的输入到映射特征的映射过程中,得到加权条件宽度网络。一方面,加权条件宽度网络可以减少经卷积领域适应网络提取到两域的领域不变性特征的条件概率分布差异和类权重偏差;另一方面,经加权条件宽度网络宽度拓展后的领域不变性特征的表达能力得以进一步增强。5.针对跨域高光谱数据分布不易适配充分的问题,借助于迁移学习和对抗学习的思想,通过将相关源域的标记样本信息向未标记的目标域迁移,提出一种基于领域对抗宽度适配网络的高光谱图像分类方法。首先,提出领域对抗适配网络,在领域对抗神经网络中加入瓶颈适配模块,通过同时进行领域对抗学习、减少两域边缘分布和二阶统计量差异以对齐源域和目标域的分布。然后,将基于最大均值差异的条件领域适配正则项引入宽度网络,得到条件适配宽度网络。一方面,条件适配宽度网络可以对经领域对抗适配网络提取到的领域不变性特征进行类别层面上的分布适配;另一方面,经条件适配宽度网络宽度拓展后的领域不变性特征的表达能力得以进一步增强。在Indian Pines、Pavia University、Kennedy Space Center、Botswana、Pavia City和Houston Bright数据集上进行实验,通过实验结果可知所提方法在面对单域或跨域高光谱图像分类任务时能获得较高的分类精度。该论文有图36幅,表25个,参考文献190篇。