高光谱图像(Hyperspectral image,简称HSI)不仅可以提供详细的地物信息,而且包含了大量的光谱信息,空间信息和辐射能量。因此,研究者们开始逐渐重视高光谱图像领域的发展。高光谱数据有成百上千的维数,包含了丰富的空间信息和光谱信息,但也正是因为这个原因很容易造成维度灾难和数据冗余。因而,找到适合的方法来处理高光谱遥感数据十分重要。随着深度学习在计算机视觉和图像处理领域取得了较好的效果,目前深度学习的方法也已经广泛应用于高光谱图像分类中。其中,卷积神经网络(Convolutional Neural Network,简称CNN)的使用较为广泛,CNN在光谱域中对高光谱图像进行分类时,能够从训练数据中学习到具有高度代表性的图像特征。此外,由于高光谱数据标记的样本少,能够利用的训练样本数量有限,大量未标记的数据不能加以利用。而事实上,这些未标记的样本在分类任务中的也有着巨大价值,由此提出了半监督算法。半监督算法一方面利用了标记样本传递的有限监督信息,另一方面也考虑到大量未标记样本所蕴含的丰富信息。因而,对分类性能的改善具有重要的意义。论文结合了高光谱图像的光谱信息和空间信息,对其分类方法进行了研究,主要研究内容如下:(1)针对高光谱图像中存在同谱异物和异物同谱的现象,提出了一种基于度量学习的半监督高光谱图像分类框架。提出的基于度量学习的判别目标函数,可以通过减少类内距离和增加类间距离来改善分类结果。最后,结合了马尔科夫随机场以进一步利用空间信息。实验结果表明,在Indian Pines和Pavia University数据集上,该方法具有更好的分类性能。(2)针对高光谱图像中存在数据样本不均衡数据集难以训练的问题,提出了一种基于焦点损失的的半监督高光谱图像分类框架。提出的基于焦点损失的多分类目标函数,可以降低易分样本的权重而增大难分的易错样本的权重。最后,考虑到高光谱图像的空间信息对分类的影响,把马尔科夫随机场作为图像后处理。实验结果表明,在Indian Pines和Salinas数据集上,该方法优于其他深度学习方法。综上所述,结合高光谱数据训练数据稀缺的特点,论文提出的高光谱图像的分类方法能够充分结合了光谱信息和空间信息,实现了精度更高的高光谱分类。