高光谱图像包含有丰富的光谱信息和空间信息,被广泛应用在地质勘测、农业生产、国土资源、环境监测、灾害预警、城市规划以及军事目标检测等领域。高光谱图像分类是高光谱图像应用的基础,通过特征提取算法提取出用于分类的光谱信息和空间信息,再运用分类器将提取出来的特征划分为不同的地物类别。目前在高光谱图像分类中存在一些问题和难点,主要是以下几个方面:一是由于高光谱图像原始数据维数高,直接对其分类易造成休斯现象。原始图像中包含光谱波段数较多,且波段间相关性较高,分类时易导致信息冗余,使得模型分类效率不高。三是样本采集困难,且带标签的训练样本较少,易造成训练模型过拟合从而降低分类性能。这些问题都对高光谱图像分类的精度产生了较大影响。卷积神经网络虽然在高光谱图像分类中有较好的性能,但是需要大量的训练样本进行训练。为了在样本缺乏的条件下仍能实现对高光谱图像的精确分类,本文研究了如何利用深度学习强大的特征提取能力来实现对高光谱图像的小样本分类,主要工作内容如下:提出了一种基于残差网络的多层特征匹配生成对抗网络。为了解决简单卷积神经网络不能有效提取与充分利用高光谱图像特征信息的问题,模型中引入残差网络以挖掘高光谱图像的深层特征,生成可分性更高的高光谱图像,并通过一个特征融合层进行特征融合,以充分利用网络的各层特征。提出的算法在Indian Pines、Pavia University和Salinas数据集上的分类精度分别达到了97.65%、99.32%、99.18%。并与现有的五种基于深度学习的高光谱图像分类算法以及经典的径向基函数支持向量机做了比较,其分类精度具有明显的提高。实验结果表明,提出的方法是一种有效的高光谱图像分类方法。对于高光谱图像分类来说,大量带标签的训练样本是难以获得的。而传统卷积神经网络在高光谱图像分类中需要大量的标记样本来学习有效特征。为解决该问题,提出了一种基于Gabor滤波双分支3D自动编码器的分类网络,该网络利用3D-Gabor滤波器提取图像的纹理特征,然后与无监督学习相结合,重构高光谱图像数据,从而对高光谱图像进行分类。提出的算法在三个基准高光谱数据集上的分类精度分别达到97.65%、98.21%、98.73%。实验表明,该方法可以很好的提高分类器分类性能。为了解决基于卷积神经网络的传统神经网络对高光谱图像所有波段平等处理导致分类性能受阻碍的问题,提出了一个基于光谱空间混合注意力模型的高光谱图像分类网络,该网络由三维注意模块和混合卷积神经网络模块构成。三维注意模块从光谱域和空间域两个方面起到波段选择的作用,强调有用波段像素信息的影响抑制无用波段像素的干扰。为了提高模型的泛化能力,加入了混合卷积神经网络,从而提高分类的准确性。在Indian Pines、Pavia University和KSC数据集上的分类精度分别达到97.58%、98.36%、98.96%。实验结果表明,提出的方法具有较强的分类能力,可以很好地解决高光谱图像因信息冗余而导致分类困难的问题。