近年来,受自然条件恶化和人类行为破坏,草原出现不同程度的退化。草原退化是荒漠化主要表现形式之一,而鼠洞、裸土、沙斑和植被是荒漠化草原地表微斑块特定表现形式,也是评价草原退化的重要指标,高光谱遥感具有识别微弱信息和定量探测的优势,用高光谱进行地表微斑块识别与分类是草原退化监测基础性研究工作。本实验以地面高光谱遥感数据为研究对象,在内蒙古自治区乌兰察布四子王旗荒漠化草原进行数据采集,通过机器语言学习与卷积神经网络学习,找出一种对荒漠化草原地表微斑块识别与分类的最佳方法,从而实现对地表微斑块的高精度识别与分类。为实现无人机高光谱遥感对荒漠化草原地表微斑块的识别与分类提供理论基础。本文使用GaiaSky-mini型高光谱仪对地物样方、鼠洞样方进行荒漠化草原高光谱影像采集,一是通过基于传统机器语言学习(K均值聚类算法、迭代自组织数据分析算法、支持向量机算法)与降维方法结合(主成分分析法、最小噪声分离法)对地面高光谱数据处理,采用传统机器语言与降维手段结合的分析方法,对荒漠化草原地表微斑块进行识别研究。二是通过特征波段提取(2D-PCA)方法、人工增加数据集(WGAN)与卷积神经网络(C-LeNet5、GoogLeNet)方法相结合的方法对荒漠化草原地表微斑块进行分类研究。研究表明:经过最小噪声分离法与支持向量机算法结合后,总体识别精度为95.6%,kappa系数为0.9342,而利用WGAN-GoogLeNet识别经过特征处理的数据对地表微斑块的分类精度达到97.50%,且达到了较高精度分类,对目前处理荒漠化草原地表微斑块的识别具有准确性和实用性。通过机器语言学习和深度卷积神经网络学习对荒漠化草原地表微斑块的识别和分类,进而为无人机高光谱遥感的草原退化监测和定量反演提供依据与方法。