高光谱遥感能够获取蕴含着丰富地表覆盖信息的高光谱影像,在国民经济建设和国防军事信息化领域都有着广阔且深远的发展潜力。具体到应用层面,高光谱影像分类任务是其应用的核心技术之一。近年来高光谱遥感系统不断提高的光谱分辨率和不断增加的成像设备量化深度使得获取的影像越来越精细,但同时也给分类任务带来诸多挑战。为解决基于深度学习的分类方法在小样本条件下容易过拟合及泛化能力差的问题,论文在波段选择的基础上重点研究了如何利用生成式对抗网络提高小样本条件下的高光谱影像分类精度。论文研究的主要内容和创新点如下:1、针对特征提取类降维方法在高光谱数据的转换过程中会破坏波段相关性甚至丢失关键判别性信息的问题,在基于最大椭球体积原理波段选择法的基础上提出一种结合正交子空间投影和信息散度的高光谱影像波段选择方法。通过改进优化最大椭球体积波段选择法,得到其快速版本并归纳出广义的波段选择目标函数,然后引入信息论中的信息散度作为衡量波段信息量度量,得到结合正交子空间投影和信息散度的波段选择算法。该算法在保留原始数据特征物理意义的基础上有效降低了原始影像的光谱维度,计算复杂度低,可在对高光谱数据进行有效降维的同时实现更好的分类精度,且能给出最优波段数的建议值。2、基于生成对抗思想设计了一种用于高光谱影像分类的深度卷积生成对抗网络结构。该网络去除了全连接的隐藏层和池化层,其中生成器采取微步卷积作为上采样策略,以随机噪声和样本的类别标签作为输入得到伪样本。判别器和分类器均采取步长卷积作为下采样策略,以生成的伪样本和真实的训练样本作为输入以判别真伪和类别标签。训练中根据多分类损失来优化参数,相较传统生成对抗网络能够更合理地优化损失函数,通过对抗性训练模型可学习到高光谱影像数据集的真实概率分布并可根据学习到的代表性空谱特征对高光谱影像进行分类,分类精度高。3、为进一步缓解基于深度学习的高光谱影像分类方法由于标记样本较少造成精度欠佳的问题并提高分类模型的泛化能力,提出在高光谱影像小样本情况下应用迁移学习技术改进基于深度学习的高光谱影像分类精度的方法。首先采用深度网络微调方法对通用图像分类模型和高光谱影像分类模型进行迁移,试验结果表明应用迁移学习在标记样本稀少时效果明显,但具体分类效果受制于原始模型的用途以及新任务与原始任务的相似性,适用场景较为有限。然后结合开放集域自适应技术和本文设计的高光谱影像分类生成对抗网络模型,通过调整训练过程中的损失函数,使其能够识别源域中没有的未知类别样本。试验结果表明应用开放集域自适应技术可将训练好的高光谱影像分类模型用于新数据集,并将其分为已知类别和未知类别,加速分类过程同时提高其他已知类的分类精度。