高光谱图像地物识别是遥感领域关键技术之一,同时也是人类从更高层次探索地球资源、更全面的角度观察环境变化的有效手段,高光谱技术的发展将遥感技术带上更高的平台。对包含丰富空-谱信息的高光谱图像进行分析,能够实现对地物的有效识别。但是,受条件限制以及其自身存在的光谱信息冗余、“同谱异物”等局限,高光谱图像分析的进一步发展受到严重制约。在考虑减少对代价昂贵标记样本使用的同时,针对光谱信息冗余、“同谱异物”等问题,本文结合图卷积网络研究高光谱图像识别技术,主要工作包括以下两点:（1）高光谱图像存在光谱信息冗余、信噪比低的问题,直接利用原始的光谱特征构建的初始图可靠性不足,从而导致高光谱图像分类精度的降低,为此,提出一种基于光谱注意力图卷积网络的高光谱图像半监督分类方法。首先,利用对光谱局部与全局信息进行交互的注意力模块,增加重要光谱的权重、减小冗余波段以及噪声波段的权重,实现光谱的自适应加权;然后,针对经光谱加权处理后的高光谱图像,通过空间-光谱相似性度量构建更为准确的近邻矩阵;最后,利用图卷积对有标签和无标签样本进行有效的特征聚合,并使用有标签样本的聚合特征训练网络。（2）针对高光谱图像“同谱异物”和复杂的光谱-空间特性,通过将自动编码器与图卷积相结合,提出一种基于高阶图结构化编码嵌入的高光谱图像聚类方法。首先,利用自动编码器非线性变换能力提取高光谱图像多层次的低维数据特征;其次,通过双支路的图卷积模块捕获像素间潜在的相似性,从而提取高光谱图像多阶次的结构特征;然后,通过传递算子将低维数据特征编码嵌入到对应的结构特征中,并将双支路获取的特征拼接,得到包含编码嵌入的光谱数据特征以及高阶图信息的结构特征的融合特征;最后,通过自监督模块建立目标分布,联合重构误差和聚类误差,优化由融合特征得到的聚类分布,实现网络模型的端到端式训练。在Indian Pines、Kennedy Space Center、Botswana等真实高光谱数据集上的实验结果验证了所提方法的有效性。该论文共有图26幅,表11个,参考文献95篇。