高光谱影像中蕴含了丰富的地物信息,具备“图谱合一”的特点,帮助人们不断认知地物属性的本质特征。高光谱影像地物分类旨在对高光谱影像覆盖的地物类型进行准确划分。丰富的光谱信息和空间信息提高了高光谱影像的应用潜力,但也存在波段数量大导致的数据冗余等问题。监督学习是一类常用的遥感影像分类方法,其良好分类结果需要依赖大量标注的训练样本。针对这些问题,本文将多尺度特征提取和基于模型的迁移学习引入高光谱影像分类中,系统阐述了多尺度特征提取和迁移学习的基本原理,设计并实现了相应算法,在四个公开的高光谱数据集上进行实验,有效提高了高光谱影像的分类精度,主要研究内容和成果如下:针对高光谱影像场景中地物尺度差异较大、混合像元较多导致分类精度低的问题,在特征金字塔的基础上设计了一种多尺度特征神经网络,通过“自底向上”的过程对输入的高光谱数据进行降采样,输出包含深层次抽象语义信息的特征图,然后将最后一步输出的特征图进行上采样,得到高空间分辨率包含底层次语义信息的特征图,这一过程成为“自顶向下”。将这两个过程的特征图进行融合就得到了同时包含底层次语义信息和高层次语义信息的特征图,作为全连接层的输入进行分类。结果表明与单一尺度的特征提取方法相比,当高光谱影像地物场景复杂时,多尺度特征融合策略显著提高了高光谱影像的分类精度。为解决高光谱影像分类中训练样本不足的问题,提出了一种基于深度模型迁移的高光谱影像分类方法。针对模型迁移中源域和目标域样本同为高光谱数据的迁移场景,首先将源域数据集划分为不同比例的训练样本,在源域模型上进行预训练,其次采用少量标记的目标域样本在模型上进行微调,提取目标域样本空间的专属特征,对高光谱影像中的空间特征和光谱特征进行融合。结果表明在目标域标记训练样本不足的情况下,基于同源样本进行迁移能够有效改善其分类结果。针对自然图像和高光谱影像之间的迁移任务,充分挖掘现有的自然图像数据集在模型迁移中的潜力,设计了一种非对称迁移学习（ACTL,Asymmetric Convolutional Transfer Learning）模型,将深度神经网络中常用的卷积核替换为非对称卷积块,增加了卷积核中心区域的权重,提高了现有模型的特征提取能力,采用最大均值差异作为模型的损失函数以减小不同数据集之间的差异,有效提升了少标注训练样本时的分类效果,为异构数据集间的迁移学习提供新的思路。