高光谱遥感影像同时包含了丰富的光谱和空间信息,为地物的准确识别与分类提供了可能。近年来,随着成像光谱仪的不断改进和航天航空平台的不断增多,高光谱数据量迅速增加。深度学习模型需要充足的标记样本进行参数更新,然而获取高质量的标记样本往往费时费力。因此,如何利用少量标记样本实现高精度的分类结果,即实现准确的高光谱影像少样例分类,已经成为了近年来遥感领域的研究热点之一。论文以元学习方法为基础,结合网络结构搜索技术,重点研究了如何在少样例条件下提高高光谱影像分类的精度和可靠性。论文完成的主要工作和创新点如下:（1）针对现有深度网络模型设计工作量大、利用率低,且在不同影像间适应性不强的问题,设计了一种面向高光谱影像分类的网络结构自动搜索方法。该方法首先利用结合部分通道连接操作的可微分结构搜索技术在源高光谱数据集上进行高效的网络结构搜索,然后采用堆叠单元的形式构建深度网络模型,最后利用目标高光谱影像进行分类性能评估。试验结果表明,该方法能够自动搜索出适合高光谱影像分类任务且具备一定通用性的深度网络模型,且模型能够取得较常规深度学习模型更为优异的分类效果。（2）针对少样例条件下影像分类精度不高的问题,基于元学习思想设计了一种端到端的高光谱影像少样例分类方法。该方法以关系网络为基础框架,基于自动搜索出的结构单元构建主干网络,并以任务作为基本单元进行元学习和少样例分类。该方法首先利用多幅不同的源高光谱影像对模型进行元训练,使其获得更强的泛化能力;然后利用少量标记样本对模型进行微调,使其快速适应新的地物类别和分类任务;最后利用目标高光谱影像评估模型的分类性能。试验表明,该方法能够有效提高高光谱影像在少样例条件下的分类精度,且对多幅目标影像均具有良好的泛化能力。（3）为了有效减少监督元学习方法在元训练阶段对大量标记样本的依赖,并进一步提高高光谱影像少样例分类精度,提出了一种多视角约束的高光谱影像无监督元学习方法。该方法利用无标记高光谱影像构建源数据集,并利用波段随机组合和数据增强的方式生成属于同一样本的多个空谱多视角特征。模型首先利用由空谱多视角特征构成的大量任务进行无监督元学习,然后基于投票策略进行微调和少样例分类。该方法在元训练阶段没有利用任何标记信息,因此显著减少了整个训练过程中必需标记样本的数量。在交叉域和域内两个少样例场景下的试验结果表明,该方法能够获得与监督元学习方法相当甚至更好的分类结果。