空间技术以及成像技术在近些年得到了持续地更新和发展,高光谱遥感的分辨率不断地得到提高,但与此同时也给高光谱图像的特征提取带来了不小的挑战。传统的高光谱图像特征提取方法关心的仅仅是频谱信息,往往不能结合空间邻域信息,因此提取到的特征效果不佳,而近些年来,基于深度学习的方法得到了广泛的应用,因为它能够同时提取到高光谱图像的空间特征和频谱特征。然而大多数基于深度学习的特征提取方法都是有监督的,有监督的特征提取方法需要大量带标签的样本来进行模型的训练,而高光谱图像的标签是像素级的,这样的标签的获取是非常困难的。针对上述的传统高光谱图像特征提取方法不能结合空间邻域信息的问题以及高光谱图像有限的标签导致有监督特征提取方法不适用的问题,本文根据实现无监督学习的两种思想:“编码解码思想”和“生成对抗思想”,提出了三种高光谱图像无监督特征提取算法。本文提出的深度学习网络解决了传统高光谱图像特征提取方法不能结合空间邻域信息的问题,而无监督特征提取思想解决了有监督特征提取方法不适用的问题。(1)针对传统高光谱图像特征提取方法不能结合空间邻域信息的问题以及有监督特征提取方法不适用的问题,本文首先提出了基于对称的二维全卷积网络的高光谱图像无监督特征提取算法,该算法是基于“编码解码思想”提出的,以自编码器为基础实现了一个端到端的全卷积网络,整个网络由多个卷积层和反卷积层构成,卷积的运用可以同时学习到样本点的空间邻域信息和频谱信息,克服了传统高光谱图像特征提取方法的缺陷,而反卷积的运用则能够将特征恢复到原始输入。在训练结束后的特征提取步骤中,我们使用了池化和组合操作来处理原始特征,池化操作能够降低特征维度,从而避免Hughes现象的出现,同时能够增强特征的鲁棒性,而对多层次的特征组合则能够提高最终特征的分类效果。值得注意的是,网络的训练和特征提取过程都是无监督的,这解决了有监督特征提取方法不适用的问题。在高光谱图像数据集上进行的大量实验表明我们提出的算法有非常好的效果。(2)二维卷积只能在空间维度上进行卷积运算,而三维卷积不仅在空间维度上进行卷积,而且还在光谱维度上进行卷积运算。针对这个问题,本文将三维卷积引入到了上述的无监督特征提取框架中去。高光谱图像往往是一个很大的三维数据块,而三维卷积非常适用于高光谱图像这种三维的输入,因为它能够更加充分地利用光谱信息。因此我们提出了基于对称的三维全卷积网络的高光谱图像无监督特征提取算法,该方法同样是基于“编码解码思想”来实现的。在解决传统高光谱图像特征提取方法不能结合空间邻域信息的问题以及有监督特征提取方法不适用的问题的同时,也提高了网络提取到的特征的效果。实验证明了三维卷积的效果更胜一筹。(3)生成对抗网络在经过训练后能够生成“以假乱真”图像,而基于“编码解码思想”的深度网络则不能输出这样的图像,说明生成对抗网络能够获取输入样本的更多的细节,从而生成更加清晰的图片。针对这个问题,本文提出了基于生成对抗网络的高光谱图像无监督特征提取算法,该算法是基于“生成对抗思想”提出的,通过使用Wasserstein距离对原始生成对抗网络进行改进,并重新设计了代价函数,解决了原始生成对抗网络训练不稳定和难收敛的问题。改进的生成对抗网络由生成器和判别器组成,通过判别器和生成器之间的零和博弈来完成生成对抗网络的无监督训练。对于网络的特征提取部分,我们使用池化和组合操作对原始特征进行处理来加强特征的效果。基于生成对抗网络的高光谱图像无监督特征提取算法解决了传统高光谱图像特征提取方法不能结合空间邻域信息的问题以及有监督特征提取方法不适用的问题,而且提高了网络提取到的特征的效果。通过在高光谱图像数据集上的实验证明了该算法与其它算法相比是最优的。