高光谱图像分类是高光谱遥感领域的重要研究方向之一。目前,高光谱图像分类领域有两大挑战。一方面,传统方法中人工设计的空谱特征通常针对特定场景,需要经验知识,表达能力受限,影响其广泛应用。另一方面,高光谱图像的分类主要集中于监督学习方法。以支持向量机、稀疏表示、逻辑回归等为代表的经典分类方法取得了良好的分类效果。但是监督学习方法以充足且准确的监督信息（标签）为前提,而高光谱图像人工获取监督信息费时费力,难以满足上述前提,主要表现为以下两种情况:（1）监督信息不准确,即部分样本标签错误。这种不准确监督信息的存在往往会降低分类精度。（2）监督信息不完全,即部分样本标签缺失。监督分类方法难以利用高光谱图像中丰富的无标签样本来改善分类效果。本文针对高光谱图像自动特征提取和监督信息不完全、不准确的问题,研究基于深度卷积神经网络的弱监督分类方法,探讨在高光谱图像部分样本标签错误,部分样本标签缺失等情况下的分类方法,提升弱监督条件下高光谱图像分类方法的精度。本文的研究内容主要包含以下三个方面:首先,本文研究了高光谱图像对比学习方法,包括基于空谱信息的高光谱图像数据增强模块、队列存储模块和动量更新模块。针对弱监督条件对高光谱图像分类模型的影响,研究使用对比学习方法来预训练卷积神经网络,从无监督数据中挖掘信息,实现对弱监督信息的增强,从而提高弱监督条件下卷积神经网络的分类效果。其次,本文研究了监督信息不准确时高光谱图像分类方法。针对训练样本集存在标签噪声的情况,提出了基于补标签学习策略的噪声样本识别方法。在此基础上,又引入了选择性补标签学习策略,以解决训练过程中拟合速度较慢的问题。此外,本文将对比学习方法与补标签学习方法进行结合,利用对比学习对卷积神经网络进行预训练,实现对弱监督信息的增强,进一步提高了分类精度。最后,本文研究了监督信息不完全时高光谱图像分类方法。针对训练样本集存在大量无标签样本的情况,提出了基于自训练的深度半监督学习方法,通过生成伪标签的方式利用无标签样本进行监督训练。在此基础上,针对伪标签中存在与真实标签不一致的情况,首先使用Mixup对网络进行正则化,减轻错误伪标签对训练的影响。接着利用补标签学习策略对生成的伪标签进行过滤。此外,本文将对比学习方法与所设计的半监督方法结合,进一步提升分类效果。