随着高光谱遥感成像技术的不断发展,高光谱图像在现实世界中的应用已经成为遥感领域中的重点研究方向并受到越来越多学者们的关注。区别于自然图像和多光谱图像,高光谱图像具有更多的光谱波段和更多的光谱信息,便于研究者对地物目标进行更好的分类。深度学习方法可以有效提取高光谱数据中的光谱-空间信息,已经在高光谱图像分类任务中取得了很好的效果。但是,现实世界中的高光谱数据集往往是开放集,即由于时间成本和人力成本等原因,现实世界中往往很难对待研究区域内的所有样本进行采样,因此会导致在测试数据中存在不属于训练数据中任何类别的新类别,然而目前的分类方法基本都在研究闭合集场景,即假设在测试数据中没有未知类别,以致于这些方法在现实世界中会将新类别的数据错分为某种已知类别;同时,在现实的高光谱图像分类任务中一般很难获取到足够的有标签样本来训练网络;此外,对特征的提取尚不够充分以及高光谱图像中的噪声污染等问题,这些都进一步限制了分类精度的提升。针对上述问题,本文主要研究在现实世界中如何充分利用高光谱图像信息以及如何实现开放集高光谱图像分类,完成的主要工作如下:（1）提出了一种基于深度卷积网络和自监督多任务学习的高光谱图像分类方法,旨在充分利用无标签样本进行训练以缓解现实世界中的高光谱图像训练样本不足的问题。该方法利用自监督学习方法使模型能够利用无标签样本对网络进行充分的预训练,并通过参数迁移及多任务学习来微调网络,使网络具备更好的分类能力。在基于自监督学习的预训练阶段,通过数据重建任务对特征提取子网络和数据重建子网络进行预训练,由于该学习过程不需要数据标签,因此可以利用无标签数据的丰富信息来充分训练网络以缓解小样本问题;在基于多任务学习的微调阶段,我们首先将预训练后的网络参数迁移到带有分类功能的网络上,然后利用少量有标签样本对网络进行微调,在该阶段同时最小化重建子网络的重建损失和分类子网络的分类损失,以提升网络性能并实现网络的分类功能。该模型充分利用无标签样本进行训练,缓解了现实世界中的高光谱图像中训练样本不足的问题。在三个真实的高光谱图像数据集上的实验结果验证了该方法的有效性。（2）提出了一种基于自监督多任务学习和极值理论的开放集高光谱图像分类方法,旨在解决现有模型由于无法对未知类进行识别,从而无法实现现实世界中的开放集高光谱图像分类的问题。该方法在基于自监督多任务学习的高光谱图像分类方法的基础上,引入极值理论和威布尔分布模型以拟合重建损失,实现了对现实世界中开放集高光谱图像的未知类数据的判别。该方法不仅充分利用了无标签样本对网络进行训练以缓解有标签样本少的问题,还使模型拥有了对未知类的判别能力,实现了现实世界中的开放集高光谱图像分类。与其他现有方法的对比实验表明该方法具有较强的竞争力。（3）提出了一种基于特征融合和注意力机制的开放集高光谱图像分类方法,旨在充分利用高光谱数据中更深层的光谱-空间信息,进一步提高模型对数据抽象特征的提取能力,以提高对已知类的分类能力,并在现实世界中的开放集高光谱图像上实现更好的分类效果。该方法通过融合不同网络深度中的特征数据,能够更充分地提取高光谱图像中的光谱-空间信息,从而使网络获取到的样本特征更加全面,进一步提高网络的特征提取能力和分类能力。同时,通过利用注意力机制,本方法可以更好地利用有用的光谱信息以及抑制噪声信息。在三个现实世界中的开放集高光谱图像上的实验结果验证了所提方法的有效性。