高光谱遥感是一种典型的对地观测技术,在提升光谱分辨率的同时包含了更多的空间信息,分类识别技术作为高光谱图像处理中的核心技术之一,可用于地质矿产、水资源管理、军事等多个领域。如何提取高光谱图像的高级特征、建立小样本下鲁棒的分类模型,是目前亟待解决的问题。本文基于深度学习理论提出了两种高光谱图像分类方法,主要研究内容可总结为以下两部分:考虑到深度学习强大的自学习能力,本文基于堆栈Wasserstein自编码器提出了一种新的高光谱图像分类方法。首先,使用主成分分析法对原始高光谱图像进行降维处理,获得包含光谱和空间信息的样本;随后,采用堆栈Wasserstein自编码器同时提取样本的光谱特征和空间特征,通过编码器对原始样本进行编码,得到样本的编码,解码器将该编码映射成重构样本;最后,通过度量原始样本和重构样本之间的差异,同时迫使编码的分布与先验分布一致,得到了决策能力强的深度特征,解决了维度灾难和非线性数据结构问题,提升了分类性能。进一步,为解决高光谱图像带标记样本匮乏、标记成本高难度大的问题,本文基于混合生成对抗网络提出了一种新的高光谱图像分类方法。首先,通过混合生成对抗网络中多生成器和鉴别器的对抗训练,提升各生成器的生成能力和鉴别器的判别能力,同时加大多生成器之间的分歧,使多生成器的混合分布与真实样本的分布近似;随后,混合生成对抗网络产生多模态同分布样本,有效地缓解了生成对抗网络中的模式崩溃问题;最后,采用分步调节策略,将加入了类别多分类器的混合生成对抗网络用于分类任务,构建高光谱图像分类模型。该方法防止了小样本高光谱图像分类下的过拟合问题,提升了分类的鲁棒性。