近年来,高光谱图像处理在遥感领域占据着越来越重要的位置,高光谱图像分类作为其中的重要一环,更是具有举足轻重的地位。高光谱图像蕴含着丰富的地物信息,在军事和民用领域具有广阔的应用前景,具有极为重要的研究价值。高光谱图像分类的目标是依据地物呈现的空间与光谱特征,准确识别高光谱图像中的每个像素点。高光谱图像是蕴含着丰富辐射、空间和光谱信息的综合载体,丰富的信息量使地物分析获得更多机会,但同时也使分类面临着信息冗余、维数灾难等诸多困难。近年来机器学习与深度学习在高光谱图像领域的应用卓有成效。但是,高光谱图像先验样本少,这对严重依赖样本数量与质量的监督分类方法造成了困扰。针对这一问题,本文从自监督学习的角度出发,利用大量未标记样本中的信息,提出了一系列高光谱图像分类算法。本文的主要工作描述如下:首先,利用对比学习的思想,提出基于对比学习的高光谱图像分类方法。该方法以自监督学习的方式训练模型。在预训练阶段使用大量未标记样本,结合数据增强手段构造正负样本对,进行对比学习,目的是使模型能够对正负样本做出判定。在预训练模型的基础上,提取高光谱图像的特征用于分类,利用少量先验样本对分类器进行微调。实验表明,采用自监督学习方式提取的特征在下游分类任务上取得了良好的预期效果。其次,利用聚类的思想,将深度学习与聚类结合,提出基于深度聚类的高光谱图像分类方法。遵循自监督学习的范式,该方法将聚类作为自监督学习的辅助任务,分类作为下游任务。在深度神经网络中对编码器提取的特征进行聚类,然后将聚类获得的类别标签作为“伪标签”更新网络参数,使网络预测这些“伪标签”。更新网络参数和更新聚类参数两个过程依次进行。该方法关注样本间的相关性,借助深度神经网络强大的表征能力,提取有价值的特征表示,最后利用少量标记样本进行监督分类。最后,提出一种基于多层次特征融合的高光谱图像分类方法。特征融合思想考虑将不同层次的特征融合为更具有判别力的新特征。该方法延续自监督学习的思想,在对比学习网络的基础上,将不同卷积层获得的特征经过一个特征融合模块结合到一起,提取的新特征具有深浅层互补的多层次特点,在分类任务上表现良好。