随着高光谱数据分类技术的发展,如何对高光谱图像进行准确分类成为遥感领域的研究热点之一,其多被用于农业,林业监测,环境监测等领域。传统的机器学习分类算法过于依赖于大量数据,且对高光谱数据进行标注处理是复杂和耗时的,因此在现实中必然会面临数据不足的问题,研究人员难以获得大量带标签高光谱遥感数据,而传统分类算法的成功往往建立在大量数据训练的基础上。为此本文以小样本下的高光谱遥感图像分类为研究对象,研究如何通过小样本从高光谱数据中获得更准确的有用信息。主要研究如下:首先,了解小样本分类的基础知识,同时学习传统的分类方法和深度学习的方法,并对这些方法存在的不足加以分析。根据使用目标场景标记样本的数量设计了两种分类算法:（1）利用少量标记样本,设计了基于深度可分离关系网络的高光谱数据分类算法。首先,为了使该模型更利于训练,为其引入了深度可分离卷积减少模型的计算成本,减少模型对算力的依赖。其次,在每层神经网络中引入了Leaky-Re LU激活函数,提高模型的训练效率,增强模型对复杂环境的处理能力。最后,引入余弦退火学习率调整策略,避免模型陷入局部最优解,增强模型的鲁棒性。从实验表明,该方法可以对少量训练样本进行有效处理。（2）利用无标记样本,设计了基于跨场景自适应学习的高光谱数据分类算法。首先,在无监督域自适应技术的基础上,进行跨场景知识迁移减少源场景和目标场景存在的差异性,同时引入深度超参数卷积用于深度嵌入模型中,提高模型的收敛速度和特征提取能力。随后在曼哈顿度量空间中学习曼哈顿度距离以便减少模型的计算成本,最后引入加权K近邻分类器进行分类,对聚类样本赋予与曼哈顿度量距离相关的权值,提高对不平衡高光谱图像数据的处理能力,从实验表明,该方法可以对无训练样本进行有效处理。