遥感采用了星载或者机载传感器对地面目标进行探测,作为一种主动成像方式,它可以向地面发射不同波段的电磁波并接收反射信号,和普通的光学成像设备相比,它具有无间断、全天时等众多优点。由于每种自然物质对不同电磁波的反射能力是不一样的,那么理论上就可以根据遥感图像进行地面目标的检测、识别等任务。近年来,随着光谱成像技术的提高,遥感图像的光谱分辨率也越来越高,使得高光谱图像中包含了地面场景更加丰富的信息。尽管分辨率的提高有助于目标识别精度的提高,但是过多的数据量也会给算法带来困难:如何从高光谱数据中有效地去除冗余信息,如何充分利用空间纹理信息,如何使得算法在较少的训练样本的情况下也有很好的表现等。深度神经网络采用了多层非线性变换来拟合原始数据的分布,同传统浅层的机器学习方法相比,它能够自动学习到更高层次的抽象特征,不需要人工选择特征,在语音识别和自动驾驶等领域取得了非常出色的表现。传统的高光谱图像分类方法不能很好地利用图像的空间域结构信息,分类的准确率并不是非常理想。本文基于高光谱图像本身存在的特点,结合多尺度几何变换在图像纹理检测方面的优势,主要研究了高光谱图像的特征提取和小样本问题,所取得的研究成果为:(1)针对传统的方法不能有效地提取像素的空间域特征的问题,提出了一种基于Gabor滤波器和自编码网络的高光谱图像分类算法。该算法首先采用了主成分分析方法对初始图像降维,然后采用Gabor变换提取空间域结构信息,最后利用结合后的空谱特征向量,并采用了深度自编码网络预测出所有像素点的标签。在高光谱数据集上的实验结果表明,所提方法比传统的高光谱图像分类方法有更高的分类准确率。(2)针对Gabor滤波器在提取空间域几何结构方面的缺点,提出了一种基于多尺度几何变换和自编码网络的高光谱图像分类算法。该算法采用了多尺度的几何变换对高光谱图像进行边缘增强,并采用局部图像块的统计特征描述其空间结构。输入的空谱特征向量先经过栈式自编码器进行降维,然后将降维后的特征作为全连接层的输入,最后采用多项式逻辑回归分类器预测出当前像素点的类标。同一些已有的方法相比,所提的算法在特征提取方面具有非常大的优势,模型能够实现更好的分类效果。(3)针对高光谱图像分类中存在的小样本问题,研究了基于主动学习策略的高光谱图像分类算法。尽管深度神经网络模型具有很强大的特征提取能力,但网络层数的增多会使得模型参数数量迅速增加,因此在模型训练过程中需要更多的训练样本。和传统的随机样例选择机制不同,主动学习策略使用了迭代的方式增加训练样本数量,在每次迭代过程中,通过计算所有候选样本的信息熵,筛选出对决策边界贡献较大的样本。实验结果表明,同随机采样相比,主动学习策略能够明显地提高模型的分类准确率。