高光谱图像包含丰富的空间和光谱信息,在地质、植被生态、农业、海洋等领域得到了越来越多的应用,其中,高光谱图像分类是高光谱应用中一项较为核心的任务。由于深度学习在近些年来的发展,许多使用深度学习技术的分类方法被应用于高光谱图像分类。深度学习往往需要大量的训练样本来拟合模型,然而,高光谱数据的获取和标注往往比较耗时耗力,另外高光谱图像大量的波段引发的维数灾难问题更加剧了这一问题。因此,探究一类针对样本和标记不足的高光谱分类方法很有必要,本文基于自监督学习提出了三种高光谱分类方法。本文的主要工作如下:1.提出了一种基于最近邻对比学习的自监督模型,用于高光谱图像分类。在预训练阶段通过构造正负例样本对,拉近正例对的距离同时分离负例对的距离,使模型学习区分样本的不同特征。正样本对来自图像的数据增强及特征空间的最近邻,通过引入最近邻可以获得更多样化的正例样本对,增强模型对类内变化的不变性。在实际分类阶段,使用少量标记样本对预训练模型进行微调。实验仿真表明,相比将不同数据增强作为正例对的方法,引入最近邻会获得更好的分类结果。2.提出了一种基于动量编码的对比自监督学习方法。该方法同样基于对比学习,为了解决现有的端到端架构和候选池架构不能在增大负样本集和保持正负样本一致性之间取得平衡的问题,使用一个动态的队列字典扩大负样本选择范围,同时使用动量更新的编码器生成变化缓慢的负例样本,从而和正样本保持一致性。实验表明,使用了负例队列和动量更新机制后可以学习到更加具有判别性的特征,最终获得了很好的分类性能。3.提出了一种基于均值偏移自监督学习的高光谱图像分类方法。该方法借鉴BYOL和均值偏移聚类的思想,使用一个在线编码器和一个目标编码器,将在线编码器的输出向目标编码器输出的近邻域均值拉近,可以有效地学习到高光谱数据的空间特征。该方法没有进行聚类,也没有进行样本或者聚类之间的对比,在实际分类中实现了不错的性能。