高光谱遥感图像具有丰富的光谱和空间信息,被广泛应用于农业、军事、工作等不同领域。特别在军事领域,对植被评估和地形勘探,利用这些信息,可以快速的找到一条通往军事目的路径。因此对于高光谱遥感图像的研究也显得格外重要。然而,高光谱图像光谱维度往往具有几百维到几千维,容易造成维度灾难,且这些维度信号往往都是非线性的。所以在对高光谱图像进行处理之前,对其进行降维显得非常重要。高光谱降维之后,利用具有提取高阶特征的分类器显得非常重要。识别高光谱图像的每个像素,将其分类为可通过对象或者障碍物,对于后面的路径规划也是同等重要。本文以高光谱图像应用为目的,针对高光谱图像的光谱维度高、现存的分类算法的不足、高光谱样本标签少,标注成本高、以及在高光谱图像中路径规划的缺少,分别提出了基于PaCMAP的高光谱图像降维、基于Transformer模型的迁移学习分类方法,以及提出了基于神经A*的高光谱路径规划算法。论文的主要安排如下:（1）提出了基于PaCMAP的高光谱图像降维算法。针对高光谱图像在光谱维度具有成百上千的维度和传统降维方法不能很好地处理非线性数据的不足,提出了基于PaCMAP的高光谱图像降维算法。该算法是流形算法,能够很好地处理非线性数据,在高维空间的相邻结构进行降维后,原数据能够很好地保留原始结构,且该算法在数据计算方面的效率高。实验结果表明,高光谱图像经过该算法降维后,能够较好还原原始空间分布,且算法计算效率高。（2）提出了基于Transformer迁移学习的高光谱图像分类模型。针对现存的卷积神经网络的卷积核是局部连接,不能有效地对全局图像进行感受的问题,采用了Transformer的自注意力机制来有效地利用图像的全局信息,提取更高阶的语义信息。同时针对高光谱图像标签样本少,标注成本高等缺点,提出了基于Transformer迁移学习的高光谱图像分类方法。实验结果表明,利用基于Transformer迁移学习方法在少样本情况下也能够取得非常优秀的分类结果。（3）提出了基于神经A*的高光谱路径规划算法。针对传统的路径规划算法不能有效地找到近似最优路径和不能直接应用于原始输入图像上的问题,采用了基于数据驱动神经A*算法并应用于高光谱路径规划。实验结果表明了,相比于普通A*算法,基于数据驱动的神经A*能够搜索出相同的路径长度,并且所需时间更短。