由于同时拥有几百个连续的光谱波段信息与较为丰富的空间信息,高光谱图像成为一种较为特殊的图像。然而,高维且连续的光谱波段带来的冗余信息和邻域空间中存在的干扰像元都会影响分类精度。此外,标记样本不足使深度网络无法很好的训练,限制了高光谱图像分类的发展。本文针对高光谱图像分类所面临的以上难题进行探索,主要工作及内容如下:（1）面对光谱冗余信息和邻域空间干扰像元对分类性能的影响,提出一种多注意力和多层级深度特征融合的有监督高光谱图像分类方法。该方法在光谱特征提取时使用波段注意力模块,以缓解冗余的光谱波段带来的影响;在空间特征提取时使用空间注意力模块,以抑制空间邻域干扰像元的影响;在联合光谱-空间特征提取时,再次使用空间注意力模块,以抑制空-谱特征融合过程中因光谱特征提取而引入的干扰像元信息。此外,为了复用不同网络层提取的特征,设计一种多层特征融合机制进行空-谱特征融合。三个公开数据集上的实验结果证明该模型具有较高的分类性能。（2）为了解决深度学习训练过程中高光谱图像标记样本不足的问题,提出一种错误标签抑制和深度稠密特征融合的半监督高光谱图像分类方法。首先,使用半监督学习策略将无标签样本进行充分利用,并使用提出的打分机制选择出置信度较高的无标签样本进行预标记。之后利用预标记的样本与标记样本对网络进行训练。其次,引入鲁棒损失函数以抑制错误标签对分类性能的影响。最后,使用深度稠密网络对特征进行融合,实现不同层次特征的复用,缓解深度网络在训练中过拟合的现象。两个公开数据集上的实验结果证明该模型在有限标记样本下的鲁棒性和有效性。