高光谱图像分类是高光谱技术应用于地质填图、环境监测、植被分析、大气表征、生化检测等领域要解决的重要问题之一。由于高光谱图像像素级别的标注需要消耗高昂的人力成本和时间成本,研究小样本场景下的高光谱图像分类对于推广高光谱技术应用具有重要的现实意义。目前基于深度学习的小样本场景下高光谱图像分类存在缺乏样本信息、特征提取模型泛化性能差等问题,导致分类精度远没达到实际应用的标准。针对上述问题,本文从优化特征提取模型和优化标签数据的角度对小样本场景下基于深度学习的高光谱图像分类展开研究,主要研究工作概括如下:（1）针对常规深度学习方法标签数较少时性能差的问题,结合小样本学习和半监督学习,提出了一种基于三维卷积孪生网络的小样本高光谱图像分类算法。该算法使用孪生网络结构将对比信息和标签信息结合,进一步挖掘小样本场景下高光谱图像数据中的信息。相关实验表明,该算法可通过联合训练方法实现端到端训练,并在小样本场景下取得较高的高光谱图像分类精度。由于其只关注标签样本携带的信息,缺乏提取无标签样本信息的能力,适用于标签样本质量较高的场景。（2）针对小样本场景下高光谱图像分类样本信息量不足的问题,结合深度学习分类方法和自动编码器结构,提出了一种基于三维卷积对抗自动编码器的小样本高光谱图像分类算法。该算法将卷积结构和自动编码器结合,可同时利用标签数据和无标签数据的信息完成半监督学习,实现小样本场景下的高光谱图像分类。实验结果表明,该分类算法同时利用了无标签数据和有标签数据的信息,能够有效降低对标签样本的依赖。（3）针对小样本场景下标签数据质量严重影响深度学习模型性能的问题,从优化标签数据质量的角度,提出了一种在主动学习模型下适用于小样本场景的高光谱图像分类算法。该算法将半监督聚类和主动学习结合,从少量样本中提取代表性特征并依此在无标签数据中寻找最具标注价值的样本,建立高质量的标签数据池。实验结果表明,该算法在小样本场景下的高光谱图像分类精度和鲁棒性都明显超越所对比方法,能在复杂的场景中找到高质量的样本。（4）针对无监督对比学习在高光谱图像领域缺乏合适的数据增广方法和计算复杂度高的问题,将生成式学习与判别式学习结合,提出了一种基于自动编码器和原型对比学习的高光谱特征学习算法。该算法使用两种自动编码器完成高光谱图像数据的预处理,并用获得的两组特征向量作为原型对比学习正样本对,实现所有样本信息的无监督提取。实验表明,该特征学习算法能以无监督方式提取有效的高光谱图像特征用于分类。