高光谱遥感图像分类是遥感图像处理领域的一个研究热点,长期以来受到国内外学者的广泛关注。近年来,深度学习的蓬勃发展为在高光谱遥感图像分类带来了新的思路和方法。基于海量的训练样本,深度学习方法一次次刷新着遥感图像分类和目标提取的精度,取得了令人瞩目的进展。然而,高光谱遥感数据获取困难、人工标注复杂,训练样本的缺乏使得高光谱遥感图像的分类算法的发展受到了一定的限制。在这个背景下,本文重点围绕“基于小训练样本的高光谱遥感图像半监督分类方法”这一主题,开展了相关研究,设计了一种新型的高光谱遥感图像分类方案,研究的主要成果如下。(1)考虑到高光谱遥感分类样本不足的问题,将当前深度学习领域炙手可热的生成式对抗网络算法运用到高光谱遥感分类当中,借鉴半监督分类的思想,发挥众多未标记样本的作用,通过多个神经网络的相互对抗从未标记样本中学习数据的分布情况,从而可以使用较少的标记样本即可实现较高的分类精度;(2)针对当前基于生成式对抗网络的高光谱遥感分类方法中普遍存在的两个问题,即①鉴别器识别生成样本和预测样本标签的功能不兼容,导致生成器和鉴别器不能同时达到最优;②生成器只接收有关数据分布而不接收鉴别器返回的标签信息,导致生成样本语义不明确的问题。将鉴别器的功能分离成分类器和鉴别器两个独立的神经网络,其中生成器和分类器来表征图像和标签之间的条件分布,鉴别器仅仅识别图像标签对的真伪,确保分类器和生成器都可以收敛到各自的最优点;(3)基于上述思想,设计了一种基于高光谱遥感图像光谱特征的分类模型HS-TGAN,模型充分利用了无标签样本提供的数据分布信息,每个类别仅仅使用10个样本就可以实现较高精度的分类结果,较当前主流的深度学习方法,具有一定的先进性;(4)针对高光谱遥感图像的空间特征,设计了适用于三维特征提取和分类的深度学习模型S2TGAN。并使用改进的双边滤波器进行空间-光谱信息滤波,模型在多个公开数据集的原始图像、主成分分析图像和滤波后图像上进行了实验验证,在相同的实验条件下,比基于光谱特征的模型分类效果提升显著。本文改进了基于生成式对抗网络高光谱分类模型的一些缺点,提出了几种较为先进的分类算法,构建的基于生成式对抗网络高光谱分类模型,思路新颖,理论充足,且具有很好的提升空间和发展前景,值得进一步研究和探索。