高光谱图像具有丰富的光谱信息和空间信息,广泛应用于军事、农业、地质勘测等领域。虽然高光谱图像含有丰富的可用于分类的信息,但也存在信息冗余以及“同物异谱”现象,在标注样本有限的情况下,分类模型很难获得一个较好的分类结果。随着遥感技术飞速发展,可以很轻易获得高光谱图像,但精确的地物标注需要大量的人工,如何充分利用高光谱图像的空谱信息,在标注样本有限的情况下,提高模型特征表征能力和泛化能力,实现高光谱图像地物分类任务,是当前研究的热点问题。因此,本文基于元学习、表示学习以及空谱注意力特征提取机制,提出了三种更加高效的高光谱图像分类方法。本文主要研究内容如下:（1）提出基于自适应子空间与特征转化的高光谱小样本分类模型,首先设计三维局部通道注意力残差网络进行高光谱图像的空谱特征提取,然后引入特征转化模块增强特征多样性避免模型过拟合,最后利用自适应子空间分类器将每个类别的有限标注样本的特征表征建立类别子空间,利用空间投影和距离度量实现大量待测数据的地物分类任务。引入元学习训练方式,提高模型的泛化能力,针对新获得的高光谱遥感图像,仅利用有限个标注样本即可进行全图地物预测。实验证明,在标注样本有限的情况下,本方法可以得到较好的分类结果。（2）提出基于表示学习与特征增广的高光谱小样本分类模型,充分利用高光谱图像的有标注样本和未标注样本,实现有限标注样本下的高光谱图像分类任务。首先利用混叠一致性策略,实现标注样本的混叠增广和未标注样本伪标签赋值操作。然后设计自监督旋转操作,多角度旋转高光谱输入数据,外接旋转分类层进行角度预测,提高特征提取模型的表示学习能力。最后设计高光谱特征增广策略,在特征层面上进行特征增广并应用到损失函数中,充分挖掘有标记样本的深度特征。利用多个损失函数的加权值结合反向传播实现模型的训练任务。多个数据集的实验结果表明,本方法能在标注样本有限的情况下,有效实现高光谱图像地物分类任务。（3）提出基于多方向旋转注意力的高光谱小样本分类模型,针对每一个高光谱像元所切分的三维数据,首先在空间维度上进行多方向旋转,然后利用旋转注意力网络将丰富的光谱信息以及空间信息进行交互,最后将同一个像元多个方向的特征进行自适应加权叠加,得到更具有表征能力的特征。高光谱图像分类模型在参数量巨大但标注样本有限的情况下容易导致模型参数过拟合于训练样本,为解决此问题,引入损失锐度最小优化方法,在模型训练时,寻找参数邻域内损失值始终较低的模型参数,来提高模型的泛化能力。实验证明,本方法在标注样本有限的情况下,具有较好的分类效果。