高光谱遥感图像包含丰富的光谱特征信息以及一定程度的空间信息,对地物精确分类有着重要的实用价值。近年来,高光谱遥感图像分类在遥感领域受到越来越多的关注,但由于成像过程中受大气辐射、噪声污染等原因的影响,高光谱遥感图像中普遍存在“同物异谱”“同谱异物”等现象所带来的地物信息的复杂性与不确定性。而且高光谱遥感图像还存在样本标记困难、维度灾难等问题,这些都为高光谱遥感图像分类任务带来了困难与挑战。基于图架构的模型通过图中节点之间的信息传递与信息聚合来捕捉样本间的依赖关系,具有良好的特征表示能力。但目前大多流行的图架构模型中的图构建方法都是基于距离度量,这种仅以样本间的特征差异决定样本相似性的方法难以充分表征高光谱遥感数据之间的复杂性与不确定性。模糊逻辑通过定义数据间的模糊隶属度关系,为提出更有效的相似性度量方法以表征高光谱遥感数据间不确定性的复杂关系提供了有效思路。为此,本文主要研究了基于模糊图架构模型的高光谱遥感图像分类方法,重点解决分类任务中高光谱遥感数据间不确定性问题,进而提升高光谱遥感图像的分类性能。主要研究工作概括如下:（1）针对高光谱遥感图像分类过程中存在的“噪声”干扰以及类内、类间的不确定性问题,本文利用计算样本间的模糊相似度代替传统的高斯函数度量方法构建图,并引入锚图结构降低图构建过程中的计算复杂度,提出一种基于模糊相似性度量的谱聚类算法用于高光谱遥感图像分类。该算法通过迭代更新锚点以及锚点与样本点之间的模糊相似度,使锚点分布更加均匀、得到更鲁棒的相似图。实验选取三个高光谱遥感数据集进行算法有效性验证,结果表明,无论是在类内还是类边界区域,相比于现有的相关高光谱遥感图像分类算法,所提算法都取得了更好的分类结果。（2）将模糊逻辑与模糊学习引入图卷积网络,提出一种基于模糊图卷积网络的高光谱遥感图像分类方法。该方法利用超像素分割模型将高光谱遥感图像分割成少量的超像素区域,以克服高光谱遥感图像中样本数量过多导致的图构建过程的计算复杂度问题;通过计算超像素样本间的模糊相似度构建图代替传统的基于距离度量的图构建方法,以充分表征高光谱遥感数据间的不确定性。该方法还在网络结构中引入了模糊学习模块对超像素高光谱数据进行处理来降低高光谱遥感图像类内异质性对分类精度的影响。实验选取三个高光谱遥感数据集进行对比分析以测试算法性能,结果表明,该方法能较好实现类别分离以及类内异质的抑制,具有更高的分类精度和更好的性能。