高光谱遥感影像蕴含地物丰富的空间信息和精细的光谱波段,在地物识别方面具有明显优势。高光谱遥感影像分类是实现高光谱数据理解与对地观测的关键技术。然而,高光谱遥感影像所具有的高维特点和实际应用中标记样本稀缺的现状,使其在分类过程中往往遇到“维数灾难”问题,导致分类精度下降。因此,针对高光谱遥感影像高维特点和标记样本稀缺问题,有效降低高光谱维度和充分利用有限标记信息,提升高光谱遥感影像分类精度,以适应高光谱遥感数据挖掘与智能化处理的发展前沿,具有较强的研究意义和应用价值。弱监督学习是一种基于部分监督信息进行学习的范式,可以大大缓解有监督模型训练过程对大量精确标签数据的需求,因而在实际应用中具有更广阔的前景。同时,随着高光谱遥感技术的发展,空间分辨率的提高,导致同类地物内部光谱差异增大,而类间差异减小,即强光谱变异性,加大了分类任务的难度。而且,高光谱遥感影像包含着反映各种地物的光谱特征和空间分布及其组合关系,地物分布本质上具有区域相似性和同质性,即高空间相关性,其内在的光谱和空间判别性保证了可靠的分类结果,提取与利用其内在可分性是实现高效高光谱遥感分类的必要保障。因此,本论文针对高光谱遥感影像特点,从弱监督学习出发,利用机器学习先进方法,建立了一套弱监督学习框架下高光谱遥感影像降维与分类模型和方法。论文的研究工作概括如下:（1）提出了基于空谱遗传算法的高光谱遥感影像无监督波段选择方法。该方法能够从众多波段中筛选出具有低冗余度和高判别性的波段子集,缓解“维数灾难”问题,提升分类性能。在该方法中,设计了一种能够限制搜索空间的交叉和变异操作,保证了所选取波段子集的低冗余度;结合超像素分割和费希尔准则建立综合利用空间和光谱信息的无监督适应度函数,确保了所选择波段子集的高判别性。（2）提出了基于超像素水平全局和局部相似性图的高光谱遥感影像聚类（即无监督分类）方法。该方法在无标记信息模式下,快速地实现了大幅高光谱遥感影像无监督分类任务,同时获得较高的分类精度。在该方法中,首先将超像素作为处理对象,大大降低了大幅影像聚类过程中的时间和空间复杂度。同时,所提出的超像素水平全局和局部相似性图能够更好地建模影像中地物之间的关系,为算法的性能提供了保证。（3）提出了基于空谱超像素标签传播的高光谱遥感影像半监督分类方法。该方法将所提出的高光谱遥感影像聚类算法拓展到半监督学习模式,通过构建超像素空谱图来建模影像中地物间的结构信息,且具有计算不同尺度空间信息的能力,保证所提出的方法在利用少量标记样本的情况下即取得很好的分类性能。（4）提出了基于多尺度空谱卷积神经网络的高光谱影像半监督分类方法。该方法针对以上提出的基于空谱超像素标签传播的方法进一步改进,使得所提出方法同时具有高性能和高拓展性。在该方法中,设计了一种具有更高判别能力的多尺度空谱卷积神经网络。同时,在充分分析高光谱遥感影像和自然图像之间差异的基础上,设计了一种新的伪标签生成策略以保证半监督学习的可靠性,从而进一步提升了分类性能。为了检验本论文中所提出方法的有效性,将以上四种方法分别应用在不同空间分辨率的典型高光谱遥感数据集上。实验结果表明,本论文所提出的方法在标记样本匮乏情况下,在分类精度和效率方面具有更加显著的优势。