高光谱影像具有丰富的光谱和空间信息,相比于传统的彩色图像,具有提供更加准确地辨识感兴趣地物类型的潜力;已经成为地球观测甚至是用于空间探测的重要手段。高光谱图像分类作为高光谱研究领域非常重要且核心的研究课题,一直以来受到较为广泛的关注,并普遍应用在国民经济的相关领域。当前高光谱遥感图像分类任务仍然面临一些困难与挑战:如何进一步挖掘高光谱影像的内在深层次特征;如何解决训练样本缺乏,小样本情况下高维度分类性能不理想的问题;如何面对在实际应用中,对于“封闭集”,未知类会被强制分配给已有的标注值,导致已知类别的标记值被高估的情况等等。为解决上述这些问题,本文深入分析讨论高光谱数据本身的特性,结合目前高光谱影像处理技术和处理传统图像小样本问题的方法进行重新思考;论文主要研究工作包括:（1）为探索在少量标记样本的情况下对高光谱图像进行更准确分类,本文提出了一种基于图神经网络的小样本分类算法解决高光谱图像分类的问题。其中特征编码器用于提取高光谱的空间-光谱特性,根据小样本数据的特性设计了高光谱特征提取网络结构;而度量空间用于计算支持集和查询集的相关性,在度量空间中引入了图神经网络计算相关性,将传统在欧式空间的分析扩展到非欧空间,以获得更优的相关性判断。（2）为了解决“未知类”问题,本文提出了一种新的可以在开放集中同时进行分类和通过重建识别分类出未知类的方法。设计了一个适用于高光谱小样本未知类分类的特征提取网络和将不同重建阶段的重建特征经过三维密集连接网络后再进行融合的重建网络,最后用全局模式和类别模式两种方法分别对于少样本和足够样本的两种情况进行划分。结果表明,与基于欧式空间的其它小样本方法相比,在相同少量标记样本的情况下,本文提出的算法能够取得更好的分类效果,具有较好的泛化能力;在未知类的分类识别中,能更加高效地识别高光谱图像的未知类,同时鲁棒性和泛化能力也有所提升。