高光谱图像分类是指对像元逐一划分唯一地物标识的过程,在地物勘测、环境调查、军事检测等方面具有重大意义。近年来,深度学习的广泛应用给高光谱图像分类提供了新方法,而高光谱图像由于样本标记困难给网络的训练过程带来了极大难度。域自适应作为迁移学习的分支,是指利用源域的信息实现对目标域的分类,可通过跨域分类的方式解决目标域因标记信息不足而不能高效完成分类的问题。传统的域自适应方法中采用统计度量的方式并不能完全反映源域和目标域的差异,不利于减小两个域的差异性而完成跨域分类任务。因此本文以生成对抗学习（GAN）原理作为支点,采用深层对抗学习思想缩小源域和目标域的差异,围绕高光谱图像无监督的域自适应分类方法展开研究,主要研究内容如下:（1）提出一种基于对抗的密集型网络域自适应高光谱图像分类模型。首先利用源域中带标注信息的训练样本集训练特征提取器和分类器,作为模型的预训练部分;然后采用半对称策略,将训练好的特征提取网络的参数赋给目标域的特征提取网络,作为其初始化参数,并将此特征提取网络作为GAN中的生成模型,同时构建域判别器来区分样本是来自源域还是目标域,将特征提取器和域判别器同时交替训练;最后在目标域的测试样本中直接进行分类。该模型区别于以往采用统计距离度量的方式来衡量源域和目标域的差异,利用GAN来使目标域的样本特征不断向源域靠近。（2）提出一种基于内容对齐的高光谱图像无监督域自适应分类模型。该模型取消了预训练模块,首先构建密集型网络的特征提取器用于提取地物的分类特征;然后分别构建分类器和域判别器;最后采用GAN中最大最小化的思想,对三部分网络同时交替训练。此外,为解决域自适应中源域样本和目标域样本的对齐问题,除了域的对齐,此模型还引入类别对齐和风格特征对齐两种对齐方式作为内容对齐的组成部分,使两个域在一定程度上更加接近,提高了模型的自适应能力,进而提高分类精度。本文针对传统高光谱图像域自适应分类方法的不足,利用GAN原理和内容对齐的方式提高跨域分类模型的鲁棒性,在Pavia University和Pavia Center数据集上进行实验,并与当前比较流行的其他模型方法做出比较和分析,实验数据表明,本文的方法在目标域的分类准确率具有一定的优越性。