高光谱图像分类是遥感高光谱图像处理的一个重要分支。它的目的是通过计算机分析等手段确定遥感高光谱图像中每一个像元真实的地物类标。标记高光谱图像分类所需的训练样本既耗时又费力,因此高光谱图像分类存在着有标签训练样本少的小样本问题。另外,高光谱图像中存在着同谱异物和同物异谱的现象,同时高光谱图像具有“图谱合一”的特性,因此如何提取空谱联合特征是高光谱图像分类任务面临的另一个关键问题。为了解决这些问题,本文提出了小样本下基于生成对抗网络的高光谱图像分类算法。(1)针对高光谱图像分类的小样本问题,提出了基于生成对抗网络数据增强的高光谱图像分类算法。该算法利用生成对抗网络可生成高质量图像的特性,设计了基于辅助分类器的带梯度惩罚的生成对抗网络模型生成带标签的光谱样本扩展真实训练集,作为一种数据增强的方式提高分类器的分类结果。为了保证生成样本的多样性采用了在线样本生成机制,为了去除部分与真实样本分布相差过远的生成样本,采用基于K近邻分类器的算法对生成样本进行筛选,通过标签平滑对生成样本的标签进行平滑处理减小标签中的噪声。通过实验分析,显示了所提算法在三个高光谱数据集上获得了一致的提升效果,同时相对于其他先进算法,验证了所提算法的优越性。(2)针对高光谱图像分类中缺少有标签样本,但有大量无标签样本可利用的问题,提出了基于对抗表示学习的高光谱图像分类算法。所提算法将生成对抗网络进行改进,通过添加编码器和修改判别器将生成对抗网络扩展到表示学习的领域,使用编码器提取的特征进行分类,判别器被修改为多类别判别器,利用判别器指导生成器基于类别这一高级语义信息重建原始图像块,通过条件熵引入无标签样本对模型进行半监督对抗训练,使编码器提取的特征更适合于分类任务。通过实验分析验证了所提方法在三个高光谱数据集上对训练样本数量的鲁棒性和相对于其他算法的先进性。(3)针对小样本问题和空谱联合特征提取与融合问题,提出了基于空谱双通道对抗表示学习的高光谱图像分类算法。该算法旨在通过空谱双通道的生成对抗表示学习网络和类一致性损失解决小样本问题和空谱联合特征提取与融合问题。所提算法考虑到了高光谱数据集“图谱合一”的特性,引入了空谱分类结果一致性原则为空谱特征融合开辟了一条新思路,增加了分类结果的类内区域一致性和类间边缘保持效果。在三个高光谱图像数据集上的实验结果证明了所提算法相比于其他先进分类算法更有优势,尤其是在样本数目较少的情况下,这种优势更为明显。