高光谱图像分类是遥感图像处理领域的一个重要分支。传统的分类方法无法充分利用高光谱图像的空谱特征,导致分类精度较低。基于深度学习的高光谱图像分类方法能挖掘数据的隐藏信息,提取出更有利于图像分类的特征。利用有限的数据样本提取更丰富的特征,以及整合这些特征来提高分类精度,是高光谱图像分类领域的热门研究方向。本文结合高光谱图像的光谱特征和空间特征,提出了两种基于生成对抗网络的高光谱图像分类方法。主要创新工作如下:(1)针对高光谱图像分类领域中特征利用不足的问题,提出了一种基于生成对抗网络的高光谱图像分类方法。根据高光谱图像空间域和光谱域的相关性,利用卷积生成对抗网络挖掘其深层特征,生成可分性更高的高光谱图像,提升了分类精度。(2)针对高光谱图像分类领域中空间信息利用不足的问题,提出了一种基于生成对抗网络的像素邻域的特征提取方法。先取像素点的邻域图像来训练生成对抗网络,将训练好的判别网络作为邻域图像的特征提取器,使用判别网络中的不同网络层提取特征,然后利用提取的邻域特征对图像进行分类。同时,将提取的邻域特征结合像素的光谱特征来提升分类精度。