高光谱遥感图像分类是遥感应用的基础,也是近年来研究的热点之一。高光谱遥感图像通常包含数百个光谱波段,为区分地物类别提供了有力的依据。深度学习具有强大的学习能力,能够提取光谱中隐含的特征进行分类,已广泛应用于高光谱遥感图像分类。但基于深度神经网络的模型需要大量的训练样本才能训练出好的模型,而高光谱遥感图像由于标签获取成本高,标记样本较少,用少量标记样本进行训练会导致模型过拟合严重。研究在少量训练样本的情况下抑制深度学习模型过拟合,是提高分类准确率的关键问题。针对基于深度神经网络的模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱遥感图像分类。首先对标准数据集构造空间邻域块,并对邻域块进行预处理,以避免邻域块中异类像元的干扰;然后拆分邻域块为标记样本、无标记样本和测试样本,并将标记样本和无标记样本送入生成式对抗网络进行训练,在输入时,邻域块中的像元分别独立送入全连接网络判别器,提取各像元的光谱特征;最后用平均池化对各像元的光谱特征进行融合,连接到输出层得到分类结果。每次迭代过程中,首先利用有标签样本的标签信息使网络拟合数据的真实分布,然后对训练样本高维特征的均值进行最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制过拟合。将本算法应用于针对高光谱遥感图像所设计的光谱——空间分类模型进行分类。实验结果表明,在标准数据集Indian Pines和Pavia University中随机选取1%标记样本进行训练,总体分类精度分别达到了89.61%和98.79%,相比于其它现有算法有明显提高,较表现最好的分类方法,总体分类精度分别提升了5.17%和1.38%。在Indian Pines数据集取1%标记样本,Pavia University数据集取0.1%标记样本的情况下,本文算法对过拟合的抑制效果优于几种常用的过拟合抑制算法,较表现最好的Dropout算法,总体分类精度分别提升了5.60%和3.20%。