激光雷达系统获取Li DAR数据,因其自动化程度高,产生的数据周期短等特点,被广泛应用在地球科学等领域。近年来图像采集技术的不断发展,越来越多的图像分类方法可以高效准确进行图像分类。随着深度学习的迅速发展,利用深度模型对图像进行分类的效果越来越好。然而,深度模型的训练过程需要用大量的训练样本。在遥感图像领域中,由于图像采集成本过高,仍然存在训练集样本数量过少的问题,极大限制了深度学习在Li DAR数据分类上的应用。本文针对此问题,对激光雷达图像的数据分类进行研究,通过生成对抗网络来生成Li DAR图像,最终进一步提高分类精度。论文针对此问题的不足,提出了两种基于生成对抗网络的Li DAR数据分类方法,本文主要研究内容包括以下几部分工作:首先,介绍了几种典型Li DAR分类方法、生成对抗网络典型模型以及本文用到的相关基础知识,最后对分类评价指标进行了阐述。其次,针对Li DAR图像分类领域受到数据集数量过少的问题,提出一种将生成式对抗网络应用于Li DAR数据分类的方法,在该网络模型中,利用卷积生成对抗网络生成模拟真实样本的数据,将生成的图像和原训练样本混合送入训练分类模型,提升了Li DAR数据地物分类精度。最后,为了提高生成图像的质量,引入胶囊网络(Caps Net)替换原有判别网络的卷积神经网络,其可以更均匀的表示图像,既对生成图像中部分对象的姿态和空间关系的变化表现的更稳健。论文将胶囊网络与生成对抗网络框架相结合得到生成式对抗胶囊网络(Capsule GAN)。将胶囊网络替换原有网络模型框架中的判别器,实验结果表明,训练出来的分类模型分类精度上比CNN作为判别器表现效果更好。