高光谱图像分类是遥感领域的热门研究方向,在矿物学、农学、城市规划、环境科学和军事等领域有着巨大应用价值。高光谱图像由数百个具有丰富空间和光谱信息的光谱波段组成。在训练样本有限的情况下,高光谱图像的高维度光谱信息可能导致“维度灾难”,如何有效地利用高光谱丰富的空谱信息成为高光谱分类的主要研究内容。考虑到高光谱数据集的收集代价较大,小样本情况下的特征提取问题也是高光谱分类任务的研究难点。基于上述分析,本文从高光谱图像训练样本稀缺和空谱信息丰富的特点出发,结合深度神经网络在特征提取方面的优势,设计有效的高光谱数据预处理方法和空谱特征提取模型。本文主要研究内容如下:(1)针对小样本情况下,传统深度模型的特征提取能力有限,不易于从原始高光谱图像块中提取显著性特征的问题,本文提出了一种基于度量学习的高光谱图像分类预处理方法。首先,本方法利用高光谱度量学习网络学习高光谱像元间的相似度,然后根据像元间的相似度和替换策略对高光谱像素块执行替换处理,使得预处理后的高光谱像素块光谱分布更为平滑。本方法既能够保证高光谱像素块的空间连续性和多样性,又能抑制分类噪声的干扰。实验分析表明,本方法能够在三个经典光谱数据集上获得了较好的区域一致性和边界区分能力,验证了本方法的有效性。(2)针对小样本情况下,随机划分训练集和测试集可能导致训练样本不具有代表性以及传统高光谱分类模型无法对高光谱对象的相对空间关系进行编码的问题,本文提出了一种基于无监督样本挑选的高光谱胶囊网络分类方法。本方法利用卷积自动编码机提取无监督特征,并通过超像素和聚类方法挑选信息量大且具有代表性的样本构建训练集。然后分类网络通过空谱胶囊形式提取高光谱图像的空谱联合特征,能够学习高光谱对象间的相对空间关系。通过分析对比实验,本方法在不同高光谱数据集上具有很好的鲁棒性,分类效果也优于其他方法。(3)针对小样本情况下,传统高光谱分类模型难以提取到判别力强且具有同变性特征的问题,本文提出一种基于深度胶囊网络的高光谱分类方法。本方法利用深度胶囊网络提取区分度高的分类特征,首先利用空谱残差块提取深度空谱联合特征,然后通过深度空谱胶囊探索深度空谱特征之间的关联,最后通过添加正则约束的方式增加同类特征的相似性和不同类特征的差异性,进一步提升高光谱分类效果。实验分析表明,相比于其他先进的高光谱分类方法,本方法能够有效地改善高光谱分类效果。