高光谱图像相比于自然图像具有更加丰富的空间信息和光谱信息,能够用于对地物目标进行更准确的识别,近年来得到了越来越广泛的研究和应用。高光谱图像数据丰富,但是标记样本难以获取,因而应用更少的标记样本得到更高的分类精度是重要的研究方向。随着深度学习技术的发展,许多基于神经网络的高光谱图像分类方法取得了很好的分类效果。但是这些分类方法大多从邻域块内提取特征信息,忽视了地物目标在空间上更大区域内的匀质性。图像分割可以将图像中的像素划分为具有一定语义的超像素,超像素可以表明地物目标在更大范围的空间分布情况。如果将图像分割的信息用于高光谱图像分类,将有利于分类效果的提升。本文将图像分割与深度学习结合起来进行高光谱图像分类,探索了使用深度神经网络对图像分割的信息进行有效利用的方法,取得了良好的分类效果。本文主要完成了以下工作:（1）针对现有方法仅利用样本邻域内信息,对地物目标的区域匀质性利用不足的问题,提出了一种基于超像素分割和辅助样本的高光谱图像分类方法。该方法利用高光谱图像第一主成分图的超像素分割信息,筛选与待分类样本具有较高空间相关性的样本,并进一步筛选得到与待分类样本光谱相似性较高的样本,将这些样本作为待分类样本的辅助样本,利用双分支卷积神经网络进行特征提取和分类。辅助样本与待分类样本具有较大程度上共性的特征,我们通过模型的辅助分支提取这种共性特征,同时通过主分支保留待分类样本本身丰富的共性特征和差异性特征作为分类过程的主要特征。该方法在多个常用的高光谱图像数据集上取得了很好的分类效果。（2）针对现有方法对不同波段中的空间差异性以及地物目标的区域匀质性利用不足的问题,提出了一种基于多波段熵率超像素分割和双分支神经网络的高光谱图像分类方法。考虑到高光谱图像不同波段所包含的空间信息是不同的,而现有方法并没有充分利用这种光谱波段上的空间差异性,同时现有方法基于邻域块进行特征提取仅能得到邻域尺度的空谱信息,无法挖掘邻域块之外的特征信息,因此该方法对每个波段的图像进行超像素分割,分割结果中包含了超像素尺度的空谱信息,将得到的超像素分割结果堆叠后进行预处理,作为双分支神经网络一条分支的输入,将预处理后的高光谱图像作为另一条分支的输入。两条分支分别进行特征提取,随后进行特征融合与分类。该方法充分挖掘了高光谱图像在超像素尺度和邻域尺度的空谱联合信息,进一步提升了模型的分类效果。（3）针对现有方法没有充分利用无标签样本的问题,提出了一种基于超像素分割和半监督学习的高光谱图像分类方法。该方法利用半监督学习的思想,不仅从有标签样本中学习特征,而且从无标签样本中学习特征。该方法首先对高光谱图像进行多波段、多尺度分割,利用分割结果生成边权图,边权图中的边的权值记录了所连接的两个样本的相似性。利用孪生网络对所有样本进行相似性学习,将学习到的模型的特征提取部分的参数用于分类模型的参数初始化。此外,我们设计了模型选择标签方法,将无标签样本加入训练过程。该方法利用了高光谱图像中的无标签样本来学习关于数据分布的先验知识,充分挖掘并结合了有标签样本和无标签样本中包含的信息,有效提高了模型的分类精度。本文对上述三种方法的设计思路和算法流程进行了详细介绍,并在多个具有代表性的高光谱图像数据集上进行了实验验证。此外,通过与所提方法的不同变体进行对比,本文进一步对所提方法的细节进行了分析,总结了所提出的方法可以进行有效分类的原理。