近年来,高光谱图像(HSI)的分类逐渐成为遥感领域的一个重要课题,在商业和防卫领域的应用越来越多。许多科研人员将最新的技术(例如深度学习)应用在高光谱图像领域。相比于传统的多光谱数据,高光谱数据具有波段数目众多、各波段相关性强、有着更强的区分地物的能力。但是传统的分类方法在提取遥感图像的特征信息时,常常面临泛化能力差、计算量大、耗时,同时分类精度也难以达标等问题。此外,常规的遥感数据都是基于小样本的,而且地物真实标签采集困难、昂贵且耗时,同时采用少量带标签的训练样本来进行分类又面临很多挑战。近年来基于神经网络深度学习在提取数据的深层特征方面取得了很大的成功。因此,为了改善以上问题,本文研究重点着眼于结合深度学习的高光谱遥感图像的特征提取。论文主要完成工作如下:(1)研究了一种基于卷积神经网络(CNN)结构的模型,并在高维小样本高光谱遥感图像数据集上运行。实验结果表明,与传统学习方法相比,深度学习在高维小样本数据上具有优势。(2)本文提出了一种源于生成对抗网络(GAN)的HSI分类算法。与一般的监督算法不同,我们提出的HSI分类算法是基于半监督学习的,可以充分利用有限的标记样本以及大量的未标记样本。算法核心思想是双重的。首先,采用三维双边滤波器(3DBF)通过将HSI自然地视为立方数据集来提取空间和光谱(空-谱)特征。空间信息通过3DBF集成到提取的特征中,这有利于后续的图像分类。其次,在半监督学习中,使用集成之后的空-谱特征来训练GAN。GAN包含两个互相对抗的两个神经网络(生成网络和判别网络)。通过将来自生成网络的样本添加到特征并增加分类器输出的维度来实现半监督学习。通过在两个数据集上的实验论证,证实了所提出方法的有效性,特别是对于有限的标记样本的情况。