高光谱遥感图像由于具有丰富的光谱和空间信息在农业、军事等诸多领域得到了广泛的应用。图像分类是遥感图像处理的重要内容,为了取得好的分类性能,往往需要大量的标记样本。然而,高光谱遥感图像存在光谱信息维度大、标记工作昂贵且耗时导致的标记数据少等问题,影响了图像的分类性能。本文基于深度学习方法,针对高光谱遥感图像分类时用于模型训练的带标记样本有限的情况展开研究,主要工作如下:1)根据高光谱遥感图像的特点以及图像预处理不同,搭建了两种不同的基于卷积神经网络的图像分类模型,并分别在不同的数据集上进行实验,通过对实验结果的分析,讨论了训练样本数量以及样本空间大小对分类效果的影响。2)针对网络训练通常需要大量标记样本支撑的问题,将半监督学习的思想融入到深度学习中,提出了一种基于半监督深度学习的高光谱遥感图像分类模型,利用带标记样本指导网络学习未标记样本中的特征信息,实现了同时利用少量带标记样本和大量无标记样本共同训练深度网络的过程,从而提高网络的特征提取能力以及分类性能。实验结果表明,本文提出的半监督深度学习方法是可行且有效的。3)将迁移学习的思想融入到深度学习中,提出了一种深度样本迁移的高光谱遥感图像分类方法,将其它高光谱遥感图像的样本迁移到目标图像中,以扩充训练样本数量,从而改善目标网络因带标记训练数据少而带来的问题。实验结果表明,本文提出的样本迁移学习方法能有效改善目标网络的分类性能,提高图像的分类精度。