高光谱图像分类是遥感领域中获取地物信息的一个重要手段。针对高光谱图像“图谱合一”的特性,如何提取空谱联合的特征是高光谱图像分类任务中面对的一个关键问题,另外,高光谱图像中的小样本问题和同物异谱的现象也对高光谱图像分类方法提出了挑战。为了解决这些问题,我们提出了基于深度卷积和对抗网络的高光谱图像分类算法。主要研究内容如下:(1)提出了一种基于空间注意力机制的卷积神经网络(CNN)算法。该算法旨在从高光谱图像以当前像素为中心的空间窗输入中捕捉有利于分类的空间信息,以提高高光谱图像的分类效果。首先利用卷积层从原始的高光谱图像中学习空间掩码来对高光谱图像中的每个像素进行加权,使模型更加关注和中心像素相关以及对分类有利的像素,而减弱和中心像素不相关甚至不利于分类的像素的影响,自适应地提取输入的高光谱图像空间邻域中的重要部分,然后将输入图像通过自适应的空间掩码加权之后的输出作为CNN的输入以提高CNN对于高光谱图像的分类效果。通过实验分析,显示了所提出的CNN算法在不同的高光谱图像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)提出了一种半监督的判别性卷积神经网络分类算法。该方法旨在解决高光谱图像中同物异谱,同类样本类内差异大以及小样本问题。它以卷积神网络为基础来提取高光谱图像的深层特征,同时减小最终用于分类的特征的类内差异。具体来说,对于有标签样本,约束每个特征和其所属类别的特征中心的距离;而对于无标签样本,约束每个特征和所有类别的特征中心之间的加权距离,这样可以促使网络提取更有判别性的特征,提高网络的泛化性能和分类效果。进一步地,由于采用了无标签样本,弥补了高光谱图像中因有标签样本缺乏引起的小样本问题,降低了过拟合的风险,有效地提高了分类精度。通过实验分析验证了所提方法在不同的高光谱数据集上的鲁棒性和相对于其他算法的先进性。(3)利用半监督学习可以缓解高光谱图像的小样本问题,但无标签样本数目众多,如何从众多的无标签样本中选取高质量样本是存在的一个问题。近年来,生成对抗网络由于强大的样本生成能力获得了广泛的关注。从生成样本的角度,来缓解高光谱图像中的小样本问题。我们提出了一种基于多类空谱生成对抗网络(GAN)的高光谱图像分类算法。该算法旨在利用多类GAN实现对高光谱图像的空谱联合特征提取和端对端的分类过程。我们分别采用一维转置卷积神经网络和二维转置卷积神经网络去构建两个生成器,以生成高光谱图像的光谱信息和空间信息,然后利用一个基于一维CNN和二维CNN的判别器去提取空谱联合的特征并最终实现分类。同时,我们定义了新的针对多分类任务的目标函数,判别器的目的是将真实的训练样本预测为它们所属的类别,同时将生成样本预测为以相同的概率属于所有类别;而生成器的目标是促使判别器将生成样本判别为真实的类别而出错。通过生成器和判别器之间的对抗学习,同时在生成样本的辅助下,判别器的判别性能逐渐得到了提高,在三个高光谱图像数据上的实验结果说明了提出的算法相比于其他先进的分类算法的分类效果的优势。尤其是在样本数目较少的情况下,这种优势更为显著。