标记高光谱遥感图像是十分困难的工作,因而标记样本少成为了深度学习方法用于高光谱图像分类的阻碍。对此,本文提出了适合小样本图像分类的监督和半监督深度学习方法,主要工作如下:(1)提出适合小样本高光谱图像分类的监督深度学习模型即多尺度多级光谱空间特征融合(Multiscale Multistage Spectral Spatial Features Fusion,M~2S~2F~2)框架,为使模型能在小样本时提取出更具代表性和判别性的特征,将输入设置为3×3和15×15两个空间尺度并融合低、中、高级特征形成多级特征,这种来自不同空间尺度输入并通过不同复杂度特征融合后的多级特征极具判别性。最后,融合光谱和空间特征,两者相互补充相互修正提高分类精度。在IN,UP和KSC数据集上的实验结果表明此框架具有良好的分类性能。(2)提出适合小样本高光谱图像分类的半监督深度学习方法即多尺度生成对抗网络(Multiscale Generative Adversarial Networks,MGAN),它通过增加样本数量适合小样本分类。MGAN中的生成器仅用少量标记样本训练生成与原样本尽可能相似的新样本,使之与原样本一起训练判别器。为了提取出更好特征,将判别器设置为33×33和64×64两个尺度输入并赋予判别器多类别的判别能力而不仅仅能判断真假样本。在IN和UP数据集上的实验结果表明此网络具有很好的分类性能。通过理论和实验对比分析,总结出上面两种方法的适用场合。M~2S~2F~2通过提取样本特征进行分类,在样本特别少的情况下,特征提取可能不充分,因而监督深度学习(M~2S~2F~2)框架更适合训练样本稍多的情况。MGAN可以相对增加样本数量之后再提取特征,因而半监督深度(MGAN)网络合适训练样本相对较少的情况。