高光谱图像具有上百个光谱波段,被广泛应用于各个领域,例如全球环境监测,土地覆盖检测,资源管理,自然灾害监测,星际探测,医学诊断等应用领域。通过分类算法可以对高光谱数据的每个像素点赋予一个类别标记,可以提取到有用信息,用在专题信息的提取,专题地图的制作,检测地物动态变化,建立空间数据库等方面。高光谱数据通常存在严重的数据不均衡问题,这会影响到分类时单个类别的分类精度,尤其是样本数比较少的类别。在实际应用中,少数类别往往是人们关注的前景目标。然而已有的方法都只专注于提高高光谱的总体分类精度,而忽略了少数类别的分类精度。针对高光谱分类时普遍存在的数据不均衡问题,论文对高光谱分类算法展开了研究。基于合成少数类过采样算法SMOTE和卷积神经网络CNN,本文提出一种新的高光谱不均衡分类算法SMOTE-CNN。通过过采样算法SMOTE生成人工样本补充到少数类别,使训练集达到类别均衡分布状态,然后用均衡分布的训练集训练搭建好的卷积神经网络。经实验验证,SMOTE-CNN既能得到较高的总体分类精度,也能得到较好的各个类别的分类精度,尤其在少数类别的分类精度得到很大提升。基于敏感损失函数和卷积神经网络,本文提出了一种敏感损失卷积神经网络cost-sensitive 1D-CNN用于高光谱不均衡数据分类。敏感损失卷积神经网络在训练过程中,使用一个与类别有效样本数量呈反比的权重对损失进行重新加权,使网络模型在训练过程中更倾向于有效样本数量较少的少数类别。因此敏感损失卷积神经网络在少数类别也可以学习到准确且鲁棒的特征,进而提高少数类别的分类精度。经实验验证,与普通卷积神经网络相比,敏感损失卷积神经网络在少数类别上的分类精度得到大幅提升,总体分类表现也有一定改善。