高光谱图像拥有丰富的光谱信息,在国防、现代农业以及资源勘探等多个领域有着重要的应用。因此,高光谱图像分类技术受到了领域内研究人员的广泛关注。高光谱图像分类旨在像素层面上利用设计的分类算法对无标签像素进行分类。本文研究着重于分类算法设计以及训练集样本扩充,主要工作内容分为三部分。第一部分提出了基于局部像素判别的图卷积网络;第二部分针对图卷积网络过平滑问题予以改进;第三部分针对网络模型训练样本不足的问题进行训练集补充。具体研究内容如下:针对二维卷积神经网络的固定卷积核在矩形范围内无差别特征提取方式易造成分类模糊问题,本文采用图卷积网络并结合光谱梯度角、光谱信息散度以及欧式空间信息进行构图操作,利用光谱空间联合提取图像特征。高光谱图像每个像素均进行构图操作,形成多个基于局部像素判别的图结构,采用批量运算的方式判断每个图结构所属标签,以达到对高光谱图像分类的目的。针对图卷积网络过平滑问题,本文采用随机边丢失结合密集网络予以改善。通过增加网络层数以扩大特征感受野是深度学习领域常用的方法,但由于图卷积网络过平滑的原因,过多的网络层数无法有效提升分类效果,甚至降低图像分类精度。为缓解过平滑现象,利用随机边丢失操作减缓信息传播速率,进而增大平滑层的上界以有效缓解过平滑。此外,根据特征复用的思想,采用密集网络充分传播底层网络特征,实现高层网络节点差异化,一定程度上抑制了过平滑导致节点信息趋于一致的问题。缓解过平滑使图卷积网络能够提取更高层、更抽象的特征,有效提高分类能力。针对高光谱图像训练集标签标记成本高的问题,本文设计基于图结构相似性的样本自生成方法以扩充训练集。首先根据图像熵找到预测结果变化波动较小的区域,利用该区域内存在的多个图结构与训练集图结构进行相似性比较,将比较后相似性较高的图结构加入训练集。对于样本数量较少的种类,直接根据预测可靠性进行选取并加入训练集,以避免在利用图结构相似性进行比较时因种类图结构过少而导致误分类问题。为去除预测结果伪彩色图像中的噪声,在局部区域将多种类像素按照一定顺序,进行形态学膨胀操作降噪以提高分类精度。在三个标准数据集上进行测试,预测效果得到一定提升。