高光谱遥感将光谱技术与成像技术相结合,对地物的反射电磁波进行连续密集获取,其采样通道数可达上百个。高光谱图像海量的光谱信息能够区分不同地物的细节,可为地物精细分类提供判别依据,在资源勘探、精准农业、城市规划和目标识别等领域被广泛应用。然而,其具有数据量大且冗余信息多、光谱维度高且呈现复杂非线性等特点,给高光谱图像分类任务带来了巨大挑战。因而,如何寻求有效的特征学习方法、建立符合数据特点的数学模型以探索数据本征信息,成为当前高光谱遥感图像分类领域亟待解决的关键技术难点。针对上述科学问题,本文面向高光谱图像分类技术,以特征提取方法和端到端模型为主线,在流形学习、深度学习理论的基础上,逐步深入开展了深度流形学习高光谱图像分类方法研究,主要研究工作及贡献包括:（1）鉴于多特征融合导致的维数灾难和不同特征的不平衡表示问题,提出了一种多特征流形判别分析（MFMDA）算法。该算法首先通过局部二值模式对高光谱数据空间信息进行学习,然后在低维嵌入空间增强同类样本特征的聚集性,并分别对光谱特征和纹理特征构建本征图和惩罚图,用以探索数据局部近邻关系。在此基础上,构建了一种多特征融合及维数约简模型,在提取空-谱融合特征的同时降低了特征维数,进而在低维嵌入空间学习到鉴别特征以用于分类。在多个高光谱数据集上的实验表明,MFMDA算法相比于直接堆叠策略能更全面的揭示数据的内在结构关系,提高图像分类精度。（2）在学习用于数据映射的投影矩阵过程中,为了实现矩阵参数的自适应优化,提出一种自适应流形判别分析（SAMDA）算法。SAMDA算法设计了一个两阶段投影矩阵优化模型,模型第一阶段为预训练投影矩阵阶段,通过对数据流形结构的探索得到初始投影矩阵并将其投入第二阶段,即矩阵优化阶段。第二阶段设计了最大化流形间距准则来对特征间的相似性进行度量,在此基础上引入迭代过程对投影矩阵进行优化,增强了不同类特征间的可分性。实验表明,SAMDA能学习到更加有效的投影矩阵并更好地揭示数据的内在属性,进而提高数据的可分性。（3）为了使得深度学习模型可以表征高光谱数据内蕴流形结构,提出了一种将数据特征提取及分类进行结合的端到端模型,即深度局部保持神经网络（DLPNet）。传统深度学习采用随机初始化为网络参数赋初值,不同于此,DLPNet根据高光谱数据特点设计了一种基于流形学习的网络初始化方法,并将图嵌入框架引入模型损失函数的构建,设计了深度流形联合损失函数。基于该损失函数,DLPNet构建了相应的迭代策略,以兼顾测量特征间差异性和探索数据结构信息,进而使得模型能够增强深度流形特征的鉴别性和可分性,一系列实验证明了DLPNet显著的特征学习能力。（4）为了解决传统深度学习模型对大量标记样本的依赖性问题,提出了基于流形学习的半监督神经网络（MSSNet）端到端模型。MSSNet设计了一个半监督图模型,同时利用少量已知类别样本和大量未知类别样本学习数据的本征信息。基于该图模型,MSSNet构建了一个协同损失函数以减少预测值和真实值的差异,并增大了不同类数据间的流形间距,进而增强模型的特征表达能力并提高其预测精度。多个数据集上的实验证明,MSSNet可以有效减少模型对标记样本量的需求,提升其实际应用能力。综上,论文主要开展了高光谱图像分类技术的研究,由基于浅层特征描述子的流形学习特征提取方法到基于深度特征学习的深度流形端到端模型展开一系列探索,并在公开数据集上验证了所提出方法、模型的有效性。